Etter å ha øvd på K-means med dummydata, kan du nå anvende det på et virkelig datasett: wine-datasettet. Virkelige datasett har ofte kompleksiteter som uklare klyngestrukturer og varierende skalaer på egenskaper, noe som gir en mer praktisk klyngeutfordring.

Du bruker funksjonen datasets.load_wine() for å laste inn dette datasettet. Wine-datasettet inneholder ulike attributter for forskjellige viner. Målet er å undersøke om K-means kan avdekke klynger som reflekterer vinsimilariteter basert på disse attributtene.

Virkelige data krever ofte forhåndsbehandling. Skalering av egenskaper kan være nødvendig for å sikre at alle egenskaper bidrar likt til avstandsberegningene i K-means.

For å finne det optimale antallet klynger, bruker du igjen:

• WSS-metoden: analyser albueplottet for et utvalg av K-verdier. Albuer kan være mindre tydelige i virkelige data;

• Silhouette score-metoden: undersøk Silhouette-plottet og gjennomsnittsscorene for å finne beste K. Scorene kan være mer variable enn med dummydata.

Visualiseringer er nøkkelen til å forstå resultatene:

• Plotte 3 utvalgte egenskaper i et 3D-plott av wine-datasettet gir visuell inspeksjon av datadistribusjonen i et redusert egenskapsrom, uten bruk av dimensjonsreduksjon;

• WSS-plott for identifisering av albue;

• Silhouette-plott for klyngekvalitet.

K-means-klynger visualisert i 3D-plottet med 3 egenskaper fra wine-datasettet, som viser klyngetilhørighet i dette reduserte egenskapsrommet.