Cvičení 8
1. Načtěte data o rostlinných společenstvech v meziřadí vinohradů na Jižní Moravě – dataset
vineyards. Zkuste je klasifikovat pomocí různých přístupů.
a. Proveďte Hellingerovu standardizaci a poté k-means a clusterovou analýzu s
využitím Wardovy metody na matici eukleidovských vzdáleností. Konečné počty
shluhů určete pomocí šířky siluety.
b. Upravte data logaritmickou transformací a matici nepodobností na základě BrayCurtisova
indexu. Potá analyzujte pomocí PAM a clusterové analýzy s využitím
single-linkage, complete linkage a UPGMA algoritmů. Konečné počty shluhů určete
pomocí šířky siluety.
c. Porovnejte výsledky získaných klasifikací mj. i pomocí šířky siluety.
d. Pro 1-2 klasifikace, které se vám zdají pěkné, a. popište výsledky pomocí analýzy
diagnostických druhů a b. zobrazte výsledky v ordinační analýze (PCA, PcoA, nebo
NMDS)
2. Samostatně: Zopakujte úlohu č. 1 s daty o pakomárech ze Svratky.
R funkce
Nehierachycký partititioning
kmeans k-means partitioning
cluster: pam partitioning around medoids
Klastrová analýza
hclust klastrová analýza
plot(hclust.object) Vykreslení dendrogramu
cutree stanovení skupin na základě oříznutí dendrogramu nutno
specifikovat buď k (počet skupin) nebo h (výšku dendrogramu), kde
se má provést řez
rect.hclust nakreslení boxů reprezentujících skupiny do
dendrogramu
Diagnostika – šířka siluety
cluster: silhouette
silhouette.obj$avg.width průměrná šířka siluety dané klasifikace
plot(silhouette object) nakreslí distribuci šířek siluety pro
jednotlivá pozorování.
Popis shluků
indicspecies: multipatt provede popis shluků pomocí diagnostických
druhů. Pro phi-koeficient je třeba zadat parametr func="r.g".
Pokud nechceme, aby se popisovaly i kombinace shluků, tak zadáme
paramter duleg = T
summary(multipatt.object) Vypíše uživatelsky příjemnější popis
shluků – diagnostické druhy pro jednotlivé shluky seřazené
seřazené od toho s nejvyšší vazbou k danému shluku.