Welche Cluster sind am nächsten?

Im Video hast du gelernt, dass die Verknüpfungsmethode definiert, wie der Abstand zwischen Clustern gemessen wird. Bei der vollständigen Verknüpfung ist der Abstand zwischen den Clustern der Abstand zwischen den am weitesten entfernten Punkten der Cluster. Beim Single Linkage ist der Abstand zwischen den Clustern der Abstand zwischen den nächstgelegenen Punkten der Cluster.

Betrachte die drei Cluster im Diagramm. Welche der folgenden Aussagen sind wahr?

A. Bei der einfachen Verknüpfung ist Cluster 3 der nächstgelegene Cluster zu Cluster 2.

B. Bei einer vollständigen Verknüpfung ist Cluster 1 der nächstgelegene Cluster zu Cluster 2.

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Interaktive Übung zum Anfassen

Setzen Sie die Theorie mit einer unserer interaktiven Übungen in die Tat um

Beginnen Sie mit dem Training

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne, wie du die zugrunde liegenden Gruppen (oder "Cluster") in einem Datensatz entdecken kannst. Am Ende dieses Kapitels wirst du in der Lage sein, Unternehmen anhand ihrer Börsenkurse in Clustern zusammenzufassen und die verschiedenen Arten anhand ihrer Messwerte zu unterscheiden.

Exercise 1: Unüberwachtes Lernen Exercise 2: Wie viele Cluster?Exercise 3: 2D-Punkte clustern Exercise 4: Überprüfe dein Clustering Exercise 5: Bewertung eines Clustering Exercise 6: Wie viele Getreidebüschel?Exercise 7: Bewertung der Getreideclusterung Exercise 8: Transformieren von Merkmalen für eine bessere Clusterung Exercise 9: Skalierung von Fischdaten für das Clustering Exercise 10: Clustering der Fischdaten Exercise 11: Clustering von Aktien mit KMeans Exercise 12: Welche Aktien bewegen sich gemeinsam?

In diesem Kapitel lernst du zwei unüberwachte Lerntechniken für die Datenvisualisierung kennen: hierarchisches Clustering und t-SNE. Beim hierarchischen Clustering werden die Datenproben zu immer gröberen Clustern zusammengefasst und die daraus resultierende Clusterhierarchie in einem Baum visualisiert. t-SNE bildet die Datenproben im 2D-Raum ab, sodass die Nähe der Proben zueinander visualisiert werden kann.

Exercise 1: Hierarchien visualisieren Exercise 2: Wie viele Fusionen?Exercise 3: Hierarchisches Clustering der Getreidedaten Exercise 4: Hierarchien der Bestände Exercise 5: Cluster-Labels im hierarchischen Clustering Exercise 6: Welche Cluster sind am nächsten?

Aktuelle Übung

Exercise 7: Unterschiedliche Verknüpfungen, unterschiedliche hierarchische Clustering!Exercise 8: Zwischen-Clustern Exercise 9: Extrahieren der Cluster-Labels Exercise 10: t-SNE für 2-dimensionale Karten Exercise 11: t-SNE Visualisierung des Getreidedatensatzes Exercise 12: Eine t-SNE Karte des Aktienmarktes

Die Dimensionsreduktion fasst einen Datensatz anhand seiner häufig vorkommenden Muster zusammen. In diesem Kapitel lernst du die grundlegendste Technik zur Dimensionsreduktion kennen, die "Hauptkomponentenanalyse" ("PCA"). PCA wird oft vor dem überwachten Lernen eingesetzt, um die Leistung und Verallgemeinerung der Modelle zu verbessern. Sie kann auch für unüberwachtes Lernen nützlich sein. Mit einer Variante von PCA kannst du zum Beispiel Wikipedia-Artikel nach ihrem Inhalt clustern!

Exercise 1: Visualisierung der PCA Transformation Exercise 2: Korrelierte Daten in der Natur Exercise 3: Dekorrelieren der Körnermessungen mit PCA Exercise 4: Hauptkomponenten Exercise 5: Intrinsische Dimension Exercise 6: Die erste Hauptkomponente Exercise 7: Varianz der PCA Merkmale Exercise 8: Intrinsische Dimension der Fischdaten Exercise 9: Dimensionsreduzierung mit PCA Exercise 10: Dimensionsreduzierung der Fischmessungen Exercise 11: Ein tf-idf-Wortfrequenz-Array Exercise 12: Clustering Wikipedia Teil I Exercise 13: Clustering Wikipedia Teil II

In diesem Kapitel lernst du eine Technik zur Dimensionsreduzierung kennen, die "Nicht-negative Matrixfaktorisierung" ("NMF"), die Stichproben als Kombinationen von interpretierbaren Teilen ausdrückt. Es drückt zum Beispiel Dokumente als Kombinationen von Themen und Bilder als häufig vorkommende visuelle Muster aus. Du lernst auch, wie du mit NMF Empfehlungssysteme erstellen kannst, die dir ähnliche Artikel zum Lesen oder Musikkünstler, die zu deinem Hörverhalten passen, finden!

Exercise 1: Nicht-negative Matrixfaktorisierung (NMF)Exercise 2: Nicht-negative Daten Exercise 3: NMF angewendet auf Wikipedia-Artikel Exercise 4: NMF Merkmale der Wikipedia-Artikel Exercise 5: NMF rekonstruiert Proben Exercise 6: NMF lernt interpretierbare Teile Exercise 7: NMF lernt die Themen der Dokumente Exercise 8: Erforsche den Datensatz LED digits Exercise 9: NMF lernt die Teile von Bildern Exercise 10: PCA lernt keine Teile Exercise 11: Aufbau von Empfehlungssystemen mit NMF Exercise 12: Welche Artikel sind ähnlich wie "Cristiano Ronaldo"?Exercise 13: Musikkünstler empfehlen Teil I Exercise 14: Musikkünstler empfehlen Teil II Exercise 15: Abschließende Gedanken