Реалізація на Реальному Наборі Даних
Після практики з K-means на тестових даних, тепер можна застосувати його до реального набору даних: wine dataset (винний набір даних). Реальні набори даних мають складності, такі як нечіткі структури кластерів та різні масштаби ознак, що створює більш практичне завдання кластеризації.
Використовуйте функцію datasets.load_wine()
для завантаження цього набору даних. Wine dataset містить різні характеристики різних вин. Мета — перевірити, чи зможе K-means виявити кластери, що відображають схожість вин за цими характеристиками.
Реальні дані часто потребують попередньої обробки. Може знадобитися масштабування ознак, щоб усі ознаки однаково впливали на обчислення відстаней у K-means.
Для визначення оптимальної кількості кластерів знову використовуйте:
-
Метод WSS: аналізуйте графік "elbow" для різних значень K. На реальних даних "elbow" може бути менш вираженим;
-
Метод Silhouette score: переглядайте графік Silhouette та середні значення для пошуку найкращого K. Оцінки можуть бути більш варіативними, ніж на тестових даних.
Візуалізації є ключем до розуміння результатів:
-
Побудова 3D-графіка за трьома обраними ознаками вина дозволяє візуально оцінити розподіл даних у зменшеному ознаковому просторі, без використання зменшення розмірності;
-
Графік WSS для визначення "elbow";
-
Графік Silhouette для оцінки якості кластерів.
Кластери K-means візуалізовані на 3D-графіку за трьома ознаками винних даних, що демонструє розподіл кластерів у цьому зменшеному ознаковому просторі.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 2.94
Реалізація на Реальному Наборі Даних
Свайпніть щоб показати меню
Після практики з K-means на тестових даних, тепер можна застосувати його до реального набору даних: wine dataset (винний набір даних). Реальні набори даних мають складності, такі як нечіткі структури кластерів та різні масштаби ознак, що створює більш практичне завдання кластеризації.
Використовуйте функцію datasets.load_wine()
для завантаження цього набору даних. Wine dataset містить різні характеристики різних вин. Мета — перевірити, чи зможе K-means виявити кластери, що відображають схожість вин за цими характеристиками.
Реальні дані часто потребують попередньої обробки. Може знадобитися масштабування ознак, щоб усі ознаки однаково впливали на обчислення відстаней у K-means.
Для визначення оптимальної кількості кластерів знову використовуйте:
-
Метод WSS: аналізуйте графік "elbow" для різних значень K. На реальних даних "elbow" може бути менш вираженим;
-
Метод Silhouette score: переглядайте графік Silhouette та середні значення для пошуку найкращого K. Оцінки можуть бути більш варіативними, ніж на тестових даних.
Візуалізації є ключем до розуміння результатів:
-
Побудова 3D-графіка за трьома обраними ознаками вина дозволяє візуально оцінити розподіл даних у зменшеному ознаковому просторі, без використання зменшення розмірності;
-
Графік WSS для визначення "elbow";
-
Графік Silhouette для оцінки якості кластерів.
Кластери K-means візуалізовані на 3D-графіку за трьома ознаками винних даних, що демонструє розподіл кластерів у цьому зменшеному ознаковому просторі.
Дякуємо за ваш відгук!