Harjoiteltuasi K-means-menetelmää keinotekoisella datalla, voit nyt soveltaa sitä oikeaan aineistoon: wine dataset -viinidataan. Oikeat aineistot sisältävät haasteita, kuten epäselvät klusterirakenteet ja vaihtelevat piirteiden mittakaavat, mikä tekee klusteroinnista käytännöllisemmän haasteen.

Käytät datasets.load_wine() -funktiota aineiston lataamiseen. Wine dataset sisältää useita eri viinien ominaisuuksia. Tavoitteena on selvittää, pystyykö K-means löytämään klustereita, jotka heijastavat viinien samankaltaisuuksia näiden ominaisuuksien perusteella.

Oikea data vaatii usein esikäsittelyä. Piirteiden skaalaus voi olla tarpeen, jotta kaikki piirteet vaikuttavat tasapuolisesti etäisyyksien laskentaan K-meansissa.

Optimaalisen klustereiden määrän löytämiseksi käytät jälleen:

• WSS-menetelmää: analysoi elbow-kuvaajaa eri K-arvoilla. Elbow-kohta voi olla vähemmän selkeä oikeassa datassa;

• Silhouette score -menetelmää: tarkastele Silhouette-kuvaajaa ja keskiarvopisteitä parhaan K:n löytämiseksi. Pisteet voivat vaihdella enemmän kuin keinotekoisella datalla.

Visualisoinnit ovat avain tulosten ymmärtämiseen:

• Kolmen valitun piirteen 3D-kuvaaja viinidatasta mahdollistaa aineiston jakauman tarkastelun pienennetyssä piirreavaruudessa, ilman dimensioiden vähennystä;

• WSS-kuvaaja elbow-kohdan tunnistamiseen;

• Silhouette-kuvaaja klusteroinnin laadun arviointiin.

K-means-klusterit visualisoituna viinidatan kolmen piirteen 3D-kuvaajassa, jossa näkyvät klusterien sijoittuminen tässä pienennetyssä piirreavaruudessa.