Dominante Farben anzeigen

Wir haben das folgende Bild mit der Funktion imread() aus der Klasse image von matplotlib geladen.

Um die dominanten Farben anzuzeigen, wandel die Farben der Cluster-Zentren zunächst in ihre Rohwerte um und skaliere sie dann in den Bereich 0–1, mit der folgenden Formel: converted_pixel = standardized_pixel * pixel_std / 255

Die RGB-Werte sind in einem DataFrame batman_df gespeichert. Die skalierten RGB-Werte stehen in den Spalten scaled_red, scaled_blue und scaled_green. Die Cluster-Zentren sind in der Variablen cluster_centers gespeichert und wurden mit der Funktion kmeans() mit drei Clustern erzeugt.

Diese Übung ist Teil des Kurses

Cluster Analysis in Python

Anleitung zur Übung

Ermittle die Standardabweichungen jeder Farbe aus dem DataFrame und speichere sie in r_std, g_std, b_std.
Wandle für jedes Cluster-Zentrum die standardisierten RGB-Werte in skalierte Werte im Bereich 0–1 um.
Zeige die Farben der Cluster-Zentren an.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Get standard deviations of each color
____, ____, ____ = batman_df[['red', 'green', 'blue']].___()

for cluster_center in cluster_centers:
    scaled_r, scaled_g, scaled_b = cluster_center
    # Convert each standardized value to scaled value
    colors.append((
        scaled_r * ____ / ____,
        scaled_g * ____ / ____,
        scaled_b * ____ / ____
    ))

# Display colors of cluster centers
plt.____(____)
plt.show()

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Cluster Analysis in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Bevor du bereit bist, Nachrichtenartikel zu klassifizieren, brauchst du die Grundlagen des Clustering. Dieses Kapitel macht dich mit einer Klasse von Machine-Learning-Algorithmen vertraut, dem unüberwachten Lernen, und führt dich dann in Clustering ein, einen der beliebtesten Algorithmen des unüberwachten Lernens. Du lernst zwei gängige Clustering-Verfahren kennen – hierarchisches Clustering und K-Means-Clustering. Das Kapitel schließt mit grundlegenden Schritten der Vorverarbeitung, bevor du mit dem Clustern von Daten beginnst.

Exercise 1: Unüberwachtes Lernen: Grundlagen Exercise 2: Unüberwachtes Lernen in der Praxis Exercise 3: Pokémon-Sichtungen Exercise 4: Grundlagen der Clusteranalyse Exercise 5: Pokémon-Sichtungen: hierarchisches Clustering Exercise 6: Pokémon-Sichtungen: k-means-Clustering Exercise 7: Datenvorbereitung für die Clusteranalyse Exercise 8: Einfache Listendaten normalisieren Exercise 9: Normalisierte Daten visualisieren Exercise 10: Normalisierung kleiner Zahlen Exercise 11: FIFA 18: Daten normalisieren

Dieses Kapitel konzentriert sich auf einen beliebten Clustering-Algorithmus – das hierarchische Clustering – und seine Implementierung in SciPy. Neben dem Ablauf zur Durchführung des hierarchischen Clustering hilft es dir, eine wichtige Frage zu beantworten: Wie viele Cluster sind in deinen Daten vorhanden? Das Kapitel endet mit einer Diskussion über die Grenzen des hierarchischen Clustering und mit Überlegungen zur praktischen Anwendung.

Exercise 1: Grundlagen der hierarchischen Clusterbildung Exercise 2: Hierarchisches Clustering: Ward-Methode Exercise 3: Hierarchisches Clustering: single-Methode Exercise 4: Hierarchisches Clustering: complete-Methode Exercise 5: Cluster visualisieren Exercise 6: Cluster mit matplotlib visualisieren Exercise 7: Cluster mit seaborn visualisieren Exercise 8: Wie viele Cluster?Exercise 9: Erstelle ein Dendrogramm Exercise 10: Wie viele Cluster gibt es in den Comic-Con-Daten?Exercise 11: Einschränkungen der hierarchischen Clusteranalyse Exercise 12: Laufzeitmessung bei hierarchischem Clustering Exercise 13: FIFA 18: Verteidiger erkunden

Dieses Kapitel führt einen anderen Clustering-Algorithmus ein – das K-Means-Clustering – und dessen Implementierung in SciPy. K-Means-Clustering überwindet den größten Nachteil des hierarchischen Clustering, der im letzten Kapitel besprochen wurde. Da Dendrogramme spezifisch für hierarchisches Clustering sind, wird in diesem Kapitel eine Methode behandelt, um die Anzahl der Cluster zu bestimmen, bevor du K-Means-Clustering ausführst. Das Kapitel schließt mit einer Diskussion über die Grenzen des K-Means-Clustering und mit Hinweisen zur Anwendung dieses Verfahrens.

Exercise 1: Grundlagen des k-means-clusterings Exercise 2: K-Means-Clustering: erste Übung Exercise 3: Laufzeit von k-means-clustering Exercise 4: Wie viele Cluster?Exercise 5: Elbow-Methode bei klar getrennten Clustern Exercise 6: Elbow-Methode bei gleichmäßig verteilten Daten Exercise 7: Einschränkungen des k-means-clusterings Exercise 8: Einfluss von Seeds auf unterschiedliche Cluster Exercise 9: Gleichförmige Cluster-Muster Exercise 10: FIFA 18: Verteidiger – nochmal betrachtet

Nachdem du nun zwei der beliebtesten Clustering-Techniken kennst, hilft dir dieses Kapitel, dieses Wissen auf reale Problemstellungen anzuwenden. Zuerst geht es um das Bestimmen dominanter Farben in einem Bild, bevor wir zum in der Einführung erwähnten Problem übergehen – dem Clustern von Nachrichtenartikeln. Abschließend folgt eine Diskussion über Clustering mit mehreren Variablen, was die Visualisierung aller Daten erschwert.

Exercise 1: Dominante Farben in Bildern Exercise 2: RGB-Werte aus einem Bild extrahieren Exercise 3: Wie viele dominierende Farben?Exercise 4: Dominante Farben anzeigen

Aktuelle Übung

Exercise 5: Dokumenten-Clustering Exercise 6: TF-IDF von Filmhandlungen Exercise 7: Top-Terme in Film-Clustern Exercise 8: Clustering mit mehreren Merkmalen Exercise 9: Clustering mit vielen Merkmalen Exercise 10: Grundlegende Checks für Cluster Exercise 11: FIFA 18: Was macht einen kompletten Spieler aus?Exercise 12: Zum Abschied!