Je doorloopt nu een praktisch voorbeeld van het toepassen van K-means clustering. Hiervoor gebruik je een dummy dataset. Dummy datasets zijn kunstmatig gegenereerde datasets die vaak worden gebruikt voor demonstratie- en leerdoeleinden. Ze stellen ons in staat om de eigenschappen van de data te beheersen en duidelijk te observeren hoe algoritmen zoals K-means presteren.

Dummy Dataset

Voor deze demonstratie maken we een dummy dataset met behulp van de functie make_blobs(). Deze functie is uitstekend geschikt voor het genereren van clusters van datapunten op een visueel duidelijke en controleerbare manier. We genereren data met de volgende kenmerken:

• Aantal samples: we creëren een dataset met 300 datapunten;

• Aantal centers: we stellen het aantal werkelijke clusters in op 4. Dit betekent dat de dummy data is ontworpen om vier afzonderlijke groepen te bevatten;

• Cluster standaarddeviatie: we beheersen de spreiding van datapunten binnen elk cluster en stellen deze in op 0.60 voor relatief compacte clusters;

• Random state: we gebruiken een vaste random_state voor reproduceerbaarheid, zodat de datageneratie elke keer dat je de code uitvoert consistent is.

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

K-Means Implementatie

Met deze dummy data passen we vervolgens het K-means algoritme toe. We onderzoeken hoe K-means probeert om deze data in clusters te verdelen op basis van de principes die je in eerdere hoofdstukken hebt geleerd.

K-means kan als volgt worden geïnitialiseerd en getraind in Python:

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

Om het optimale aantal clusters voor deze data te bepalen, gebruiken we de methoden die in de vorige hoofdstukken zijn besproken:

• WSS-methode: we berekenen de Within-Sum-of-Squares voor verschillende waarden van K en analyseren de elbow-plot om een potentieel optimaal K te identificeren;

• Silhouette score-methode: we berekenen de Silhouette Score voor verschillende waarden van K en bekijken de Silhouette-plot en gemiddelde Silhouette scores om het K te vinden dat de clusterkwaliteit maximaliseert.

Tot slot spelen visualisaties een cruciale rol in onze implementatie. We visualiseren:

• De dummy data zelf, om de inherente clusterstructuur te zien;

• De WSS-plot, om het elbow-punt te identificeren;

• De silhouette-plot, om de clusterkwaliteit voor verschillende K-waarden te beoordelen;

• De uiteindelijke K-means clusters geprojecteerd op de dummy data, om de clusteringresultaten en het gekozen optimale K visueel te verifiëren.