Efter at have øvet K-means på dummydata, kan du nu anvende det på et virkeligt datasæt: wine dataset. Virkelige datasæt indeholder kompleksiteter som uklare klyngestrukturer og forskellige skalaer for attributter, hvilket giver en mere praktisk klyngeudfordring.

Du vil bruge funktionen datasets.load_wine() til at indlæse dette datasæt. Wine-datasættet indeholder forskellige attributter for forskellige vine. Målet er at undersøge, om K-means kan identificere klynger, der afspejler vinsimilituder baseret på disse attributter.

Virkelige data kræver ofte forbehandling. Feature scaling kan være nødvendig for at sikre, at alle attributter bidrager lige meget til afstandsberegninger i K-means.

For at finde det optimale antal klynger anvendes igen:

• WSS-metoden: analyser elbow-plot for et interval af K-værdier. Elbows kan være mindre tydelige i virkelige data;

• Silhouette score-metoden: undersøg Silhouette-plot og gennemsnitlige scores for at finde den bedste K. Scores kan være mere variable end med dummydata.

Visualiseringer er nøglen til at forstå resultaterne:

• Plot af 3 udvalgte attributter i et 3D-plot af wine-datasættet gør det muligt visuelt at inspicere datadistributionen i et reduceret feature space, uden brug af dimensionalitetsreduktion;

• WSS-plot til identifikation af elbow;

• Silhouette-plot for klyngekvalitet.

K-means-klynger visualiseret på 3-feature 3D-plot af wine-data, der viser klyngetildelinger inden for dette reducerede feature space.