Harjoiteltuasi K-means-menetelmää keinotekoisella datalla voit nyt soveltaa sitä todelliseen aineistoon: wine dataset. Todelliset 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 erilaisia viinien ominaisuuksia. Tavoitteena on selvittää, pystyykö K-means löytämään klustereita, jotka heijastavat viinien samankaltaisuuksia näiden ominaisuuksien perusteella.

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

Optimaalisen klusterimäärän löytämiseksi käytät jälleen:

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

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

Visualisoinnit ovat avain tulosten ymmärtämiseen:

• Piirtämällä 3 valittua ominaisuutta 3D-kuvaajaan viiniaineistosta voidaan tarkastella datan jakaumaa pienennetyssä piirreavaruudessa, ilman dimensioiden vähennystä;

• WSS-kuvaaja elbow-kohdan tunnistamiseen;

• Silhouette-kuvaaja klusteroinnin laadun arviointiin.

K-means-klusterit visualisoituna viiniaineiston 3 piirteen 3D-kuvaajassa, jossa näkyvät klusterien sijoittumiset tässä pienennetyssä piirreavaruudessa.