Erste SchritteKostenlos loslegen

Hierarchien der Bestände

In Kapitel 1 hast du das k-means Clustering verwendet, um Unternehmen nach ihren Aktienkursen zu gruppieren. Jetzt führst du ein hierarchisches Clustering der Unternehmen durch. Du erhältst ein NumPy-Array mit Preisbewegungen movements, wobei die Zeilen den Unternehmen entsprechen, und eine Liste mit den Unternehmensnamen companies. Das hierarchische Clustering von SciPy passt nicht in eine Sklearn-Pipeline, daher musst du die Funktion normalize() von sklearn.preprocessing anstelle von Normalizer verwenden.

linkage und dendrogram wurden bereits von scipy.cluster.hierarchy importiert, und PyPlot wurde als plt importiert.

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere normalize von sklearn.preprocessing.
  • Skaliere die Kursbewegungen für jede Aktie mit Hilfe der Funktion normalize() auf movements neu.
  • Wende die Funktion linkage() auf normalized_movements an und verwende die Verknüpfung 'complete', um das hierarchische Clustering zu berechnen. Weise das Ergebnis mergings zu.
  • Zeichne ein Dendrogramm der hierarchischen Clusterung, indem du die Liste companies der Unternehmensnamen als labels verwendest. Außerdem gibst du die Schlüsselwortargumente leaf_rotation=90 und leaf_font_size=6 an, wie du es in der vorherigen Übung getan hast.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Import normalize
____

# Normalize the movements: normalized_movements
normalized_movements = ____

# Calculate the linkage: mergings
mergings = ____

# Plot the dendrogram
____
plt.show()
Bearbeiten und Ausführen von Code