Tässä osiossa käydään läpi käytännön esimerkki K-means-klusteroinnin soveltamisesta. Tätä varten käytetään keinotekoista (dummy) datasarjaa. Keinotekoiset datasarjat ovat tarkoituksella luotuja aineistoja, joita käytetään usein havainnollistamiseen ja oppimiseen. Niiden avulla voidaan hallita datan ominaisuuksia ja selkeästi havainnoida, miten algoritmit, kuten K-means, toimivat.

Keinotekoinen datasarja

Tässä esimerkissä luodaan keinotekoinen datasarja käyttämällä make_blobs()-funktiota. Tämä funktio soveltuu erinomaisesti klustereiden muodostamiseen visuaalisesti selkeällä ja hallittavalla tavalla. Data luodaan seuraavilla ominaisuuksilla:

• Näytteiden määrä: luodaan datasarja, jossa on 300 havaintoa;

• Keskusten määrä: asetetaan todellisten klustereiden määrä arvoon 4. Tämä tarkoittaa, että keinotekoinen data sisältää neljä erillistä ryhmää;

• Klusterin keskihajonta: säädetään havaintojen hajontaa kunkin klusterin sisällä, asettamalla se arvoon 0.60 melko tiiviiden klustereiden saavuttamiseksi;

• Satunnaissiementäminen: käytetään kiinteää random_state-arvoa toistettavuuden varmistamiseksi, jolloin datan generointi on aina samanlaista.

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

K-means-toteutus

Kun keinotekoinen data on luotu, sovelletaan siihen K-means-algoritmia. Tarkastellaan, miten K-means pyrkii jakamaan datan klustereihin aiemmissa luvuissa opittujen periaatteiden mukaisesti.

K-means voidaan alustaa ja kouluttaa Pythonissa seuraavasti:

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

Optimaalisen klustereiden määrän määrittämiseksi käytetään aiemmissa luvuissa esiteltyjä menetelmiä:

• WSS-menetelmä: lasketaan Within-Sum-of-Squares eri K-arvoille ja analysoidaan elbow-kuvaajaa mahdollisen optimaalisen K:n löytämiseksi;

• Silhouette-pistemäärämenetelmä: lasketaan Silhouette Score eri K-arvoille ja tarkastellaan Silhouette-kuvaajaa sekä keskimääräisiä Silhouette-pisteitä sen K:n löytämiseksi, joka maksimoi klusteroinnin laadun.

Lopuksi visualisoinnit ovat keskeisessä roolissa toteutuksessa. Visualisoidaan:

• Itse keinotekoinen data, jotta nähdään aineiston klusterirakenne;

• WSS-kuvaaja, jolla tunnistetaan elbow-kohta;

• Silhouette-kuvaaja, jolla arvioidaan klusteroinnin laatua eri K-arvoilla;

• Lopulliset K-means-klusterit keinotekoisen datan päällä, jotta voidaan visuaalisesti varmistaa klusteroinnin tulokset ja valittu optimaalinen K.