Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Implementierung an Einem Dummy-Datensatz | Hierarchisches Clustering
Clusteranalyse

bookImplementierung an Einem Dummy-Datensatz

Wie üblich werden die folgenden Bibliotheken verwendet:

  • sklearn zum Generieren von Dummy-Daten und zur Implementierung des hierarchischen Clusterings (AgglomerativeClustering);

  • scipy zum Erstellen und Arbeiten mit dem Dendrogramm;

  • matplotlib zur Visualisierung der Cluster und des Dendrogramms;

  • numpy für numerische Operationen.

Generierung von Dummy-Daten

Mit der Funktion make_blobs() aus scikit-learn können Datensätze mit unterschiedlicher Clusteranzahl und variierenden Trennschärfen erzeugt werden. Dies ermöglicht es, die Leistung des hierarchischen Clusterings in verschiedenen Szenarien zu beobachten.

Der allgemeine Algorithmus ist wie folgt:

  1. Instanziierung des AgglomerativeClustering-Objekts unter Angabe der Linkage-Methode und weiterer Parameter;

  2. Anpassung des Modells an die Daten;

  3. Extraktion der Cluster-Labels, sofern eine bestimmte Clusteranzahl festgelegt wurde;

  4. Visualisierung der Cluster (bei 2D- oder 3D-Daten) mittels Streudiagrammen;

  5. Verwendung von SciPys linkage zur Erstellung der Linkage-Matrix und anschließendem dendrogram zur Visualisierung des Dendrogramms.

Es kann auch mit verschiedenen Linkage-Methoden (z. B. single, complete, average, Ward's) experimentiert werden, um deren Einfluss auf die Clustering-Ergebnisse und die Struktur des Dendrogramms zu beobachten.

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 3

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 2.94

bookImplementierung an Einem Dummy-Datensatz

Swipe um das Menü anzuzeigen

Wie üblich werden die folgenden Bibliotheken verwendet:

  • sklearn zum Generieren von Dummy-Daten und zur Implementierung des hierarchischen Clusterings (AgglomerativeClustering);

  • scipy zum Erstellen und Arbeiten mit dem Dendrogramm;

  • matplotlib zur Visualisierung der Cluster und des Dendrogramms;

  • numpy für numerische Operationen.

Generierung von Dummy-Daten

Mit der Funktion make_blobs() aus scikit-learn können Datensätze mit unterschiedlicher Clusteranzahl und variierenden Trennschärfen erzeugt werden. Dies ermöglicht es, die Leistung des hierarchischen Clusterings in verschiedenen Szenarien zu beobachten.

Der allgemeine Algorithmus ist wie folgt:

  1. Instanziierung des AgglomerativeClustering-Objekts unter Angabe der Linkage-Methode und weiterer Parameter;

  2. Anpassung des Modells an die Daten;

  3. Extraktion der Cluster-Labels, sofern eine bestimmte Clusteranzahl festgelegt wurde;

  4. Visualisierung der Cluster (bei 2D- oder 3D-Daten) mittels Streudiagrammen;

  5. Verwendung von SciPys linkage zur Erstellung der Linkage-Matrix und anschließendem dendrogram zur Visualisierung des Dendrogramms.

Es kann auch mit verschiedenen Linkage-Methoden (z. B. single, complete, average, Ward's) experimentiert werden, um deren Einfluss auf die Clustering-Ergebnisse und die Struktur des Dendrogramms zu beobachten.

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 3
some-alt