Discussion :

[maryem901]

Bonsoir, s'il vous plaît qulqu'un peu m'aider à faire une représentation graphique de ce code-là :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
 
 
 
require(cluster) 
require(class)
require(stats)
 
options(max.print=1000000) 
 
dat<-read.table("https://archive.ics.uci.edu/ml/machine-learning-databases/ionosphere/ionosphere.data",sep=",")
names(dat) <- c('1','2','3','4','5','6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23','24','25','26','27','28','29','30','31','32','33','34','35')
head(dat)
dat[order(dat[,"35"],decreasing=FALSE),]
 
 
 
a <- kmeans(dat[,c(1:34)], 2) 
table(a$cluster,dat[,35])

Je sais que c'est la fonction plot mais je ne sais pas quel paramètre merci.

[Emmanuel R]

Bonjour,
Déjà tu as un grand nombre de variables et plot ne permettra que de visualiser deux variables à la fois (nuage de point). Si tu veux tout visualiser plusieurs variables d'un coup, selon moi il faudrait effectuer une ACP (je te laisse le choix des paramètres), interpréter les premiers axes et représenter les coordonnées des deux premiers axes en x et y. De mémoire ça ressemble à quelque chose du genre res.acp$ind$coord[,1].

Pour mettre de la couleur en fonction de la classe, tu peux utiliser le paramètre col de plot, comme ci-dessous.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

plot(dat[,3],dat[,4],col=a$cluster)

Bon courage.

[chautho]

Un lien qui pourrait t'intéresser avec des exemples pour de la classification.
http://www.math.univ-toulouse.fr/~be...plo-bourse.pdf
La classification peut être souvent représenté dans le plan d'une analyse en composante multiple.
En espérant que cela puisse t'aider.

[dev_ggy]

Bonjour,

Voilà du code pour afficher la classification de tes données après avoir exécuté une ACP.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
require(cluster) 
require(class)
require(stats)
require(ade4)
 
options(max.print=1000000) 
 
dat<-read.table("https://archive.ics.uci.edu/ml/machine-learning-databases/ionosphere/ionosphere.data",sep=",")
names(dat) <- c('1','2','3','4','5','6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23','24','25','26','27','28','29','30','31','32','33','34','35')
head(dat)
dat[order(dat[,"35"],decreasing=FALSE),]
 
deug.dudi <- dudi.pca(dat[,3:34], scannf = FALSE , nf=2)
 
cl <- kmeans(deug.dudi$li, 2) 
deug.dudi$li$cluster=factor(cl$cluster)
centers=as.data.frame(cl$centers)
 
library(ggplot2)
 
p<-ggplot(data=deug.dudi$li, aes(x=Axis1, y=Axis2, color=cluster )) + geom_point() 
p

Comme Emmanuel le note, pour représenter plus lisiblement tes données, il serait bon de réduire le nombre de paramètres. Pour cela j'ai inclus une ACP dans le code.

Cordialement.