Du vil nu gennemgå et praktisk eksempel på anvendelse af K-means clustering. Til dette formål vil du bruge et dummy-datasæt. Dummy-datasæt er kunstigt genererede datasæt, der ofte anvendes til demonstration og læringsformål. De giver os mulighed for at kontrollere dataens karakteristika og tydeligt observere, hvordan algoritmer som K-means fungerer.

Dummy-datasæt

Til denne demonstration vil vi oprette et dummy-datasæt ved hjælp af funktionen make_blobs(). Denne funktion er fremragende til at generere klynger af datapunkter på en visuelt klar og kontrollerbar måde. Vi vil generere data med følgende karakteristika:

• Antal eksempler: vi opretter et datasæt med 300 datapunkter;

• Antal centre: vi sætter antallet af reelle klynger til 4. Dette betyder, at dummy-dataene er designet til at have fire adskilte grupper;

• Klynge-standardafvigelse: vi kontrollerer spredningen af datapunkter inden for hver klynge og sætter den til 0.60 for relativt kompakte klynger;

• Random state: vi bruger en fast random_state for reproducerbarhed, hvilket sikrer, at datagenereringen er ensartet hver gang koden køres.

X, y_true = make_blobs(n_samples=300,
                       centers=4,
                       cluster_std=0.60,
                       random_state=0)

K-means-implementering

Når dette dummy-datasæt er oprettet, vil vi anvende K-means-algoritmen. Vi vil undersøge, hvordan K-means forsøger at opdele disse data i klynger baseret på de principper, du har lært i de foregående kapitler.

K-means kan initialiseres og trænes således i Python:

kmeans = KMeans(n_clusters=k, random_state=42) 
kmeans.fit(X)

For at bestemme det optimale antal klynger for disse data vil vi anvende de metoder, der er diskuteret i de foregående kapitler:

• WSS-metoden: vi beregner Within-Sum-of-Squares for forskellige værdier af K og analyserer elbow-plottet for at identificere et potentielt optimalt K;

• Silhouette score-metoden: vi beregner Silhouette Score for forskellige værdier af K og undersøger Silhouette-plottet samt gennemsnitlige Silhouette-scorer for at finde det K, der maksimerer klyngekvaliteten.

Endelig vil visualiseringer spille en central rolle i vores implementering. Vi vil visualisere:

• Selve dummy-dataene for at se den underliggende klynge-struktur;

• WSS-plottet for at identificere elbow-punktet;

• Silhouette-plottet for at vurdere klyngekvaliteten for forskellige K-værdier;

• De endelige K-means-klynger lagt oven på dummy-dataene for visuelt at verificere klyngeresultaterne og det valgte optimale K.