COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » krackhardt_datasets
Trace:
krackhardt_datasets

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
Next revisionBoth sides next revision
krackhardt_datasets [2019/12/04 08:25] – [correlation matrix out of the combined matrix (friend and advice)] hkimscilkrackhardt_datasets [2019/12/04 08:47] – [Using cutree] hkimscil
Line 1180: Line 1180:
 21  0.18  0.19  0.09 0.25 -0.04  0.29  0.43 0.21  0.24  0.15  0.16  0.07  0.04 0.18 -0.05 0.21 -0.04 0.17  0.05  0.19  1.00 21  0.18  0.19  0.09 0.25 -0.04  0.29  0.43 0.21  0.24  0.15  0.16  0.07  0.04 0.18 -0.05 0.21 -0.04 0.17  0.05  0.19  1.00
 >  > 
- 
 </code> </code>
  
 +
 +===== Clustering with NetCluster =====
 <code> <code>
 # To use correlation values in hierarchical NetCluster, they must  # To use correlation values in hierarchical NetCluster, they must 
Line 1189: Line 1190:
 # or equal to 0; thus, highly dissimilar (i.e., negatively  # or equal to 0; thus, highly dissimilar (i.e., negatively 
 # correlated) actors have higher values. # correlated) actors have higher values.
-dissimilarity <- 1 - krack_reports_to_advice_cors +dissimilarity <- 1 - krack_friend_advice_cors 
-krack_reports_to_dist <- as.dist(dissimilarity) +krack_friend_advice_dist <- as.dist(dissimilarity) 
-krack_reports_to_dist +krack_friend_advice_dist 
- +round(krack_friend_advice_dist, 2) 
 +</code> 
 + 
 +<code> 
 +> dissimilarity <- 1 - krack_friend_advice_cors 
 +> krack_friend_advice_dist <- as.dist(dissimilarity) 
 +> krack_friend_advice_dist 
 +           1         2         3         4         5         6         7         8         9        10        11        12        13        14        15        16 
 +2  0.6979613                                                                                                                                                       
 +3  0.8575249 0.9962906                                                                                                                                             
 +4  0.7363116 0.9270011 0.6283369                                                                                                                                   
 +5  0.8780978 1.0673967 0.3531712 0.7059318                                                                                                                         
 +6  0.7795668 0.7501665 1.0674575 0.8827631 0.9687869                                                                                                               
 +7  0.8449566 0.7162230 0.7017487 0.7191440 0.9152088 0.7750394                                                                                                     
 +8  0.6278958 0.6088479 0.5888968 0.6645331 0.8072928 0.7750394 0.7000000                                                                                           
 +9  0.8219822 0.9080535 0.3936414 0.5843941 0.4553035 1.0129148 0.6200874 0.6200874                                                                                 
 +10 0.7363116 1.1280473 0.8924630 0.7668898 0.8574762 0.8827631 0.8283658 0.8829767 0.8610256                                                                       
 +11 0.7777078 0.8190932 0.9794953 0.9585057 0.8983957 0.6192001 1.0231249 0.8612508 1.0019523 0.8069614                                                             
 +12 0.8301584 0.4678936 0.9264149 0.9287819 0.9577800 0.5892800 0.9391419 0.5131355 0.8612755 1.1566799 0.7888998                                                   
 +13 0.8612123 1.0175629 0.6601910 0.8497716 0.7376356 1.0739934 0.8334598 0.7605984 0.7460383 0.7815598 0.8724283 1.0950186                                         
 +14 0.6603169 0.6359272 0.7498106 0.9857564 0.8451932 0.5892800 0.6957097 0.6348516 0.6763096 0.9287819 0.6200197 0.6984127 0.8669740                               
 +15 1.0353837 1.1750350 0.4113190 0.8148328 0.4652129 1.2382176 0.9087129 0.8554621 0.6686027 0.7151275 1.0070367 1.1111111 0.6389294 1.0000000                     
 +16 0.6927451 0.7213478 0.8003192 0.6779039 0.8260258 0.7969077 0.8807289 0.3669458 0.8001599 0.8582777 0.7072142 0.6984887 0.6619397 0.7654912 0.9246222           
 +17 0.8264421 0.8723774 1.0621885 1.0011802 1.0944501 0.6910049 1.1512723 0.7806552 1.0753499 0.9516135 0.6536831 0.6409607 0.8598644 0.8066711 1.0138092 0.8334547 
 +18 0.8071821 0.8034186 0.7891129 0.8834539 0.8299012 0.8491973 0.9241684 0.7118399 0.8457098 0.6846748 0.9772033 0.9030858 0.7829389 0.8477062 0.7992491 0.8205011 
 +19 1.0024553 1.1396764 0.6955481 0.8288879 0.7125260 1.0334876 1.0158362 0.8495566 0.7158944 0.7251088 0.7637953 1.1301073 0.4799463 0.7831546 0.6675037 0.7079633 
 +20 0.7599978 0.8471748 0.4444666 0.6344915 0.5639677 0.9162762 0.5471372 0.6047743 0.4654338 0.6884506 0.8838517 0.8947696 0.6306140 0.7143745 0.6692757 0.7053813 
 +21 0.8176768 0.8114184 0.9095172 0.7456235 1.0370823 0.7065985 0.5723820 0.7861910 0.7608265 0.8457060 0.8393101 0.9302929 0.9610540 0.8187614 1.0487950 0.7940285 
 +          17        18        19        20 
 +2                                          
 +3                                          
 +4                                          
 +5                                          
 +6                                          
 +7                                          
 +8                                          
 +9                                          
 +10                                         
 +11                                         
 +12                                         
 +13                                         
 +14                                         
 +15                                         
 +16                                         
 +17                                         
 +18 0.9873817                               
 +19 0.8047610 0.8877177                     
 +20 1.0685056 0.7908302 0.8154942           
 +21 1.0404292 0.8257051 0.9534437 0.8107489 
 +> round(krack_friend_advice_dist, 2) 
 +      1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16   17   18   19   20 
 +2  0.70                                                                                                
 +3  0.86 1.00                                                                                           
 +4  0.74 0.93 0.63                                                                                      
 +5  0.88 1.07 0.35 0.71                                                                                 
 +6  0.78 0.75 1.07 0.88 0.97                                                                            
 +7  0.84 0.72 0.70 0.72 0.92 0.78                                                                       
 +8  0.63 0.61 0.59 0.66 0.81 0.78 0.70                                                                  
 +9  0.82 0.91 0.39 0.58 0.46 1.01 0.62 0.62                                                             
 +10 0.74 1.13 0.89 0.77 0.86 0.88 0.83 0.88 0.86                                                        
 +11 0.78 0.82 0.98 0.96 0.90 0.62 1.02 0.86 1.00 0.81                                                   
 +12 0.83 0.47 0.93 0.93 0.96 0.59 0.94 0.51 0.86 1.16 0.79                                              
 +13 0.86 1.02 0.66 0.85 0.74 1.07 0.83 0.76 0.75 0.78 0.87 1.10                                         
 +14 0.66 0.64 0.75 0.99 0.85 0.59 0.70 0.63 0.68 0.93 0.62 0.70 0.87                                    
 +15 1.04 1.18 0.41 0.81 0.47 1.24 0.91 0.86 0.67 0.72 1.01 1.11 0.64 1.00                               
 +16 0.69 0.72 0.80 0.68 0.83 0.80 0.88 0.37 0.80 0.86 0.71 0.70 0.66 0.77 0.92                          
 +17 0.83 0.87 1.06 1.00 1.09 0.69 1.15 0.78 1.08 0.95 0.65 0.64 0.86 0.81 1.01 0.83                     
 +18 0.81 0.80 0.79 0.88 0.83 0.85 0.92 0.71 0.85 0.68 0.98 0.90 0.78 0.85 0.80 0.82 0.99                
 +19 1.00 1.14 0.70 0.83 0.71 1.03 1.02 0.85 0.72 0.73 0.76 1.13 0.48 0.78 0.67 0.71 0.80 0.89           
 +20 0.76 0.85 0.44 0.63 0.56 0.92 0.55 0.60 0.47 0.69 0.88 0.89 0.63 0.71 0.67 0.71 1.07 0.79 0.82      
 +21 0.82 0.81 0.91 0.75 1.04 0.71 0.57 0.79 0.76 0.85 0.84 0.93 0.96 0.82 1.05 0.79 1.04 0.83 0.95 0.81 
 +>  
 +>  
 +</code> 
 + 
 + 
 +<code>
 # Note that it is also possible to use dist() directly on the  # Note that it is also possible to use dist() directly on the 
 # matrix. However, since cor() looks at associations between  # matrix. However, since cor() looks at associations between 
Line 1200: Line 1277:
 # A variety of distance metrics are available; Euclidean  # A variety of distance metrics are available; Euclidean 
 # is the default. # is the default.
-#m182_task_social_dist <- dist(t(m182_task_social_matrix)) +krack_friend_advice_dist2 <- dist(t(krack_friend_advice_matrix)) 
-#m182_task_social_dist +krack_friend_advice_dist2 
- +</code> 
 + 
 +<code> 
 +> krack_friend_advice_dist2 <- dist(t(as.matrix(krack_friend_advice_matrix))) 
 +> krack_friend_advice_dist2 
 +          1        2        3        4        5        6        7        8        9       10       11       12       13       14       15       16       17       18 
 +2  5.291503                                                                                                                                                          
 +3  5.744563 6.244998                                                                                                                                                 
 +4  5.385165 6.082763 4.898979                                                                                                                                        
 +5  5.916080 6.557439 3.741657 5.291503                                                                                                                               
 +6  5.385165 5.385165 6.000000 5.656854 6.000000                                                                                                                      
 +7  5.656854 5.291503 5.000000 5.196152 5.916080 5.000000                                                                                                             
 +8  4.898979 4.898979 4.582576 5.000000 5.567764 5.000000 4.898979                                                                                                    
 +9  5.567764 5.916080 3.741657 4.690416 4.242641 5.656854 4.582576 4.582576                                                                                           
 +10 5.385165 6.708204 5.830952 5.477226 5.830952 5.656854 5.567764 5.744563 5.656854                                                                                  
 +11 5.567764 5.744563 6.164414 6.164414 6.000000 4.898979 6.244998 5.744563 6.164414 5.656854                                                                         
 +12 5.567764 4.358899 5.656854 5.830952 6.000000 4.242641 5.567764 4.123106 5.291503 6.480741 5.477226                                                                
 +13 5.567764 6.082763 4.690416 5.477226 5.291503 5.291503 5.000000 4.795832 4.690416 5.291503 5.656854 5.477226                                                       
 +14 5.000000 5.000000 5.099020 6.000000 5.656854 4.242641 4.795832 4.582576 4.690416 5.830952 4.898979 4.690416 4.898979                                              
 +15 6.480741 6.928203 4.123106 5.744563 4.358899 6.855655 6.000000 5.830952 5.196152 5.385165 6.403124 6.557439 5.196152 6.244998                                     
 +16 5.099020 5.291503 5.196152 5.000000 5.567764 4.795832 5.291503 3.464102 5.000000 5.567764 5.196152 4.582576 4.123106 4.795832 6.000000                            
 +17 5.830952 6.000000 6.557439 6.403124 6.708204 5.385165 6.782330 5.656854 6.557439 6.244998 5.196152 5.196152 5.916080 5.744563 6.480741 5.830952                   
 +18 5.744563 5.744563 5.656854 6.000000 5.830952 5.830952 6.082763 5.385165 5.830952 5.291503 6.324555 6.000000 5.656854 5.830952 5.744563 5.744563 6.403124          
 +19 6.244998 6.708204 5.099020 5.656854 5.291503 6.000000 6.082763 5.567764 5.099020 5.291503 5.477226 6.324555 4.242641 5.291503 5.196152 5.000000 5.744563 6.000000 
 +20 5.385165 5.744563 4.000000 4.898979 4.690416 5.477226 4.358899 4.582576 4.000000 5.099020 5.830952 5.477226 4.472136 4.898979 5.196152 4.795832 6.557439 5.656854 
 +21 5.744563 5.744563 6.000000 5.477226 6.480741 5.291503 4.795832 5.567764 5.477226 5.830952 5.830952 6.000000 6.000000 5.656854 6.557439 5.567764 6.557439 5.830952 
 +         19       20 
 +2                    
 +3                    
 +4                    
 +5                    
 +6                    
 +7                    
 +8                    
 +9                    
 +10                   
 +11                   
 +12                   
 +13                   
 +14                   
 +15                   
 +16                   
 +17                   
 +18                   
 +19                   
 +20 5.477226          
 +21 6.164414 5.656854 
 +> round(krack_friend_advice_dist2,2) 
 +      1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16   17   18   19   20 
 +2  5.29                                                                                                
 +3  5.74 6.24                                                                                           
 +4  5.39 6.08 4.90                                                                                      
 +5  5.92 6.56 3.74 5.29                                                                                 
 +6  5.39 5.39 6.00 5.66 6.00                                                                            
 +7  5.66 5.29 5.00 5.20 5.92 5.00                                                                       
 +8  4.90 4.90 4.58 5.00 5.57 5.00 4.90                                                                  
 +9  5.57 5.92 3.74 4.69 4.24 5.66 4.58 4.58                                                             
 +10 5.39 6.71 5.83 5.48 5.83 5.66 5.57 5.74 5.66                                                        
 +11 5.57 5.74 6.16 6.16 6.00 4.90 6.24 5.74 6.16 5.66                                                   
 +12 5.57 4.36 5.66 5.83 6.00 4.24 5.57 4.12 5.29 6.48 5.48                                              
 +13 5.57 6.08 4.69 5.48 5.29 5.29 5.00 4.80 4.69 5.29 5.66 5.48                                         
 +14 5.00 5.00 5.10 6.00 5.66 4.24 4.80 4.58 4.69 5.83 4.90 4.69 4.90                                    
 +15 6.48 6.93 4.12 5.74 4.36 6.86 6.00 5.83 5.20 5.39 6.40 6.56 5.20 6.24                               
 +16 5.10 5.29 5.20 5.00 5.57 4.80 5.29 3.46 5.00 5.57 5.20 4.58 4.12 4.80 6.00                          
 +17 5.83 6.00 6.56 6.40 6.71 5.39 6.78 5.66 6.56 6.24 5.20 5.20 5.92 5.74 6.48 5.83                     
 +18 5.74 5.74 5.66 6.00 5.83 5.83 6.08 5.39 5.83 5.29 6.32 6.00 5.66 5.83 5.74 5.74 6.40                
 +19 6.24 6.71 5.10 5.66 5.29 6.00 6.08 5.57 5.10 5.29 5.48 6.32 4.24 5.29 5.20 5.00 5.74 6.00           
 +20 5.39 5.74 4.00 4.90 4.69 5.48 4.36 4.58 4.00 5.10 5.83 5.48 4.47 4.90 5.20 4.80 6.56 5.66 5.48      
 +21 5.74 5.74 6.00 5.48 6.48 5.29 4.80 5.57 5.48 5.83 5.83 6.00 6.00 5.66 6.56 5.57 6.56 5.83 6.16 5.66 
 +>  
 +</code> 
 + 
 +===== Using hclust ===== 
 +<code> 
 # hclust() performs a hierarchical agglomerative NetCluster  # hclust() performs a hierarchical agglomerative NetCluster 
 # operation based on the values in the dissimilarity matrix  # operation based on the values in the dissimilarity matrix 
Line 1212: Line 1362:
 # the "method" parameter. # the "method" parameter.
    
-krack_reports_to_advice_hclust <- hclust(krack_reports_to_dist) +krack_friend_advice_hclust <- hclust(krack_friend_advice_dist) 
-plot(krack_reports_to_advice_hclust) +plot(krack_friend_advice_hclust) 
- +</code> 
 + 
 +{{:pasted:20191204-080711.png}} 
 + 
 + 
 +===== Using cutree ===== 
 +<code> 
 # cutree() allows us to use the output of hclust() to set # cutree() allows us to use the output of hclust() to set
 # different numbers of clusters and assign vertices to clusters # different numbers of clusters and assign vertices to clusters
 # as appropriate. For example: # as appropriate. For example:
-cutree(krack_reports_to_advice_hclust, k=2) +cutree(krack_friend_advice_hclust, k=2) 
- +</code> 
 + 
 +<code> 
 +> cutree(krack_friend_advice_hclust, k=2) 
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21  
 + 1  2  1  1  1  2  1  1  1  1  2  2  1  2  1  1  2  1  1  1  1  
 +>  
 +>  
 +</code> 
 + 
 +<code> 
 # Now we'll try to figure out the number of clusters that best  # Now we'll try to figure out the number of clusters that best 
 # describes the underlying data. To do this, we'll loop through # describes the underlying data. To do this, we'll loop through
Line 1243: Line 1409:
 # set a variable for our number of vertices. # set a variable for our number of vertices.
 clustered_observed_cors = vector() clustered_observed_cors = vector()
-num_vertices = length(V(krack_reports_to)) +num_vertices = length(V(krack_advice)) 
- + 
 # Next, we loop through the different possible cluster  # Next, we loop through the different possible cluster 
 # configurations, produce matrices of within- and between- # configurations, produce matrices of within- and between-
Line 1251: Line 1418:
    
 # pdf("6.3_m182_studentnet_task_social_clustered_observed_corrs.pdf") # pdf("6.3_m182_studentnet_task_social_clustered_observed_corrs.pdf")
-clustered_observed_cors <-clustConfigurations(num_vertices, krack_reports_to_advice_hclust, krack_reports_to_advice_cors)+clustered_observed_cors <-clustConfigurations(num_vertices, krack_friend_advice_hclust, krack_friend_advice_cors)
 clustered_observed_cors clustered_observed_cors
 plot(clustered_observed_cors$correlations) plot(clustered_observed_cors$correlations)
 # dev.off() # dev.off()
- +
 clustered_observed_cors$correlations clustered_observed_cors$correlations
 +</code>
 +
 +<code>
 +> clustered_observed_cors <-clustConfigurations(num_vertices, krack_friend_advice_hclust, krack_friend_advice_cors)
 +Warning message:
 +In cor(as.vector(d[g1[i], , ]), as.vector(d[g2[j], , ]), use = "complete.obs") :
 +  표준편차가 0입니다
 +> clustered_observed_cors
 +$label
 +[1] "number of clusters:  1"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 
 +
 +$correlation
 +[1] NA
 +
 +$label
 +[1] "number of clusters:  2"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  1  1  1  2  1  1  1  1  2  2  1  2  1  1  2  1  1  1  1 
 +
 +$correlation
 +[1] 0.4896211
 +
 +$label
 +[1] "number of clusters:  3"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  1  1  3  3  2  2  3  2  3  1  2  3  3  1  1 
 +
 +$correlation
 +[1] 0.5944114
 +
 +$label
 +[1] "number of clusters:  4"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  1  1  3  4  2  2  3  2  3  1  2  4  3  1  1 
 +
 +$correlation
 +[1] 0.6398013
 +
 +$label
 +[1] "number of clusters:  5"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  4  1  3  5  2  2  3  2  3  1  2  5  3  4  4 
 +
 +$correlation
 +[1] 0.6538231
 +
 +$label
 +[1] "number of clusters:  6"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  4  6  3  5  5 
 +
 +$correlation
 +[1] 0.6723019
 +
 +$label
 +[1] "number of clusters:  7"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  4  6  3  5  7 
 +
 +$correlation
 +[1] 0.7019599
 +
 +$label
 +[1] "number of clusters:  8"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  7  6  3  5  8 
 +
 +$correlation
 +[1] 0.727137
 +
 +$label
 +[1] "number of clusters:  9"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  7  4  7  1  8  6  7  5  9 
 +
 +$correlation
 +[1] 0.7743714
 +
 +$label
 +[1] "number of clusters:  10"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  4  3  7  5  2  8  5  8  4  9  7  8  6 10 
 +
 +$correlation
 +[1] 0.7919439
 +
 +$label
 +[1] "number of clusters:  11"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  4  3  7  5  2  8  5  8  4  9 10  8  6 11 
 +
 +$correlation
 +[1] 0.8093965
 +
 +$label
 +[1] "number of clusters:  12"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  5  2  9  5  9  7 10 11  9  6 12 
 +
 +$correlation
 +[1] 0.8445199
 +
 +$label
 +[1] "number of clusters:  13"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  5  2  9  5 10  7 11 12  9  6 13 
 +
 +$correlation
 +[1] 0.8700886
 +
 +$label
 +[1] "number of clusters:  14"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10  5 11  7 12 13 10  6 14 
 +
 +$correlation
 +[1] 0.8844067
 +
 +$label
 +[1] "number of clusters:  15"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 10  6 15 
 +
 +$correlation
 +[1] 0.9115517
 +
 +$label
 +[1] "number of clusters:  16"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 10 15 16 
 +
 +$correlation
 +[1] 0.9403353
 +
 +$label
 +[1] "number of clusters:  17"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 15 16 17 
 +
 +$correlation
 +[1] 0.9502702
 +
 +$label
 +[1] "number of clusters:  18"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9 10 11 12 13  7 14 15 16 17 18 
 +
 +$correlation
 +[1] 0.9633198
 +
 +$label
 +[1] "number of clusters:  19"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  8  9 10 11 12 13 14  7 15 16 17 18 19 
 +
 +$correlation
 +[1] 0.9762881
 +
 +$label
 +[1] "number of clusters:  20"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 
 +
 +$correlation
 +[1] 0.9895545
 +
 +$label
 +[1] "number of clusters:  21"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 +
 +$correlation
 +[1] 1
 +
 +$correlations
 + [1]        NA 0.4896211 0.5944114 0.6398013 0.6538231 0.6723019 0.7019599 0.7271370 0.7743714 0.7919439 0.8093965 0.8445199 0.8700886 0.8844067 0.9115517 0.9403353
 +[17] 0.9502702 0.9633198 0.9762881 0.9895545 1.0000000
 +
 +> plot(clustered_observed_cors$correlations)
 +> 
 +> clustered_observed_cors$correlations
 + [1]        NA 0.4896211 0.5944114 0.6398013 0.6538231 0.6723019 0.7019599 0.7271370 0.7743714 0.7919439 0.8093965 0.8445199 0.8700886 0.8844067 0.9115517 0.9403353
 +[17] 0.9502702 0.9633198 0.9762881 0.9895545 1.0000000
 +>
 +</code>
 +{{:pasted:20191204-081317.png}}
 +
 +<code> 
 # From a visual inspection of the correlation matrix, we can  # From a visual inspection of the correlation matrix, we can 
 # decide on the proper number of clusters in this network.  # decide on the proper number of clusters in this network. 
krackhardt_datasets.txt · Last modified: 2019/12/13 14:11 by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki