Důležitost příznaků v clusteringu pomocí ARI

Využij Adjusted Rand Index (ARI) k tomu, abys kvantitativně změřil/a, jaký vliv má odebrání každého příznaku na přiřazení clusterů v zákaznickém datasetu z předchozího cvičení – ten je pro tebe přednahrán v proměnné X.

Funkce adjusted_rand_score() a proměnná column_names jsou již přednahrány.

Toto cvičení je součástí kurzu

Explainable AI v Pythonu

Zobrazit kurz

Pokyny k cvičení

Ulož původní přiřazení clusterů do proměnné original_clusters.
Ve smyčce for odebírej příznaky jeden po druhém a výsledek ukládej do X_reduced.
Odvoď reduced_clusters aplikací K-means na X_reduced.
Vypočítej importance každého příznaku na základě ARI mezi reduced_clusters a original_clusters.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

kmeans = KMeans(n_clusters=5, random_state=10, n_init=10).fit(X)
# Derive original clusters
original_clusters = ____

for i in range(X.shape[1]):
  	# Remove feature at index i
    X_reduced = ____
    # Derive reduced clusters
    reduced_clusters = ____
    # Derive feature importance
    importance = ____
    print(f'{column_names[i]}: {importance}')

Upravit a spustit kód