Etter å ha øvd på K-means med eksempeldata, kan du nå anvende det på et virkelig datasett: wine dataset. Virkelige datasett har ofte utfordringer som uklare klyngestrukturer og varierende skala 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: vurder Silhouette-plottet og gjennomsnittsscorene for å finne beste K. Scorene kan være mer varierende enn med eksempeldata.

Visualiseringer er nøkkelen til å forstå resultatene:

• Plott 3 utvalgte egenskaper i et 3D-plott av vinene for å visuelt inspisere datadistribusjonen i et redusert egenskapsrom, uten bruk av dimensjonsreduksjon;

• WSS-plott for identifisering av albuepunkt;

• Silhouette-plott for vurdering av klyngekvalitet.

K-means-klynger visualisert i 3-egenskaps 3D-plottet av vindataene, som viser klyngetilhørighet i dette reduserte egenskapsrommet.