Après avoir pratiqué l’algorithme K-means sur des données factices, il est désormais possible de l’appliquer à un jeu de données réel : le jeu de données sur le vin. Les jeux de données réels présentent des complexités telles que des structures de clusters peu claires et des échelles de variables différentes, offrant ainsi un défi de regroupement plus concret.

Vous utiliserez la fonction datasets.load_wine() pour charger ce jeu de données. Le jeu de données sur le vin comporte divers attributs de différents vins. L’objectif est de vérifier si K-means peut révéler des clusters reflétant les similarités entre les vins à partir de ces attributs.

Les données réelles nécessitent souvent une étape de prétraitement. Un redimensionnement des variables peut s’avérer nécessaire afin que toutes les caractéristiques contribuent de manière équitable au calcul des distances dans K-means.

Pour déterminer le nombre optimal de clusters, vous utiliserez à nouveau :

• Méthode WSS : analyse du graphique du coude pour une plage de valeurs de K. Les coudes peuvent être moins marqués sur des données réelles ;

• Méthode du score de silhouette : examen du graphique de silhouette et des scores moyens pour identifier le meilleur K. Les scores peuvent être plus variables qu’avec des données factices.

Les visualisations sont essentielles pour comprendre les résultats :

• Tracer 3 caractéristiques sélectionnées dans un graphique 3D du vin permet d’inspecter visuellement la distribution des données dans un espace de caractéristiques réduit, sans utiliser de réduction de dimensionnalité ;

• Graphique WSS pour l’identification du coude ;

• Graphique de silhouette pour la qualité des clusters.

Clusters K-means visualisés sur le graphique 3D à 3 caractéristiques des données du vin, illustrant l’affectation des clusters dans cet espace de caractéristiques réduit.