FIFA 18: ¿qué hace a un jugador completo?

El nivel general de un jugador en FIFA 18 se define por seis características: velocidad (pac), tiro (sho), pase (pas), regate (dri), defensa (def), físico (phy).

Aquí tienes un ejemplo de tarjeta:

Tarjeta de jugador de Eden Hazard

En este ejercicio, utilizarás las seis características para crear agrupaciones. Los datos de este ejercicio se almacenan en un DataFrame de pandas, fifa. features es la lista de nombres de estas columnas y scaled_features es la lista de columnas que contiene sus valores escalados. Se han precargado los siguientes: kmeans, vq de scipy.cluster.vq, matplotlib.pyplot como plt, seaborn como sns.

Antes de empezar el ejercicio, puedes explorar scaled_features para comprobar la lista de nombres de las seis columnas escaladas.

Este ejercicio forma parte del curso

Análisis de conglomerados en Python

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create centroids with kmeans for 2 clusters
cluster_centers,_ = ____

Editar y ejecutar código

Este ejercicio forma parte del curso

Análisis de conglomerados en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Antes de que estés preparado para clasificar artículos de noticias, es necesario que conozcas los fundamentos de la agrupación. Este capítulo te familiariza con una clase de algoritmos de aprendizaje automático llamados aprendizaje no supervisado y luego te presenta la agrupación, uno de los algoritmos de aprendizaje no supervisado más populares. Conocerás dos técnicas populares de agrupación: la agrupación jerárquica y la agrupación de k-means. El capítulo concluye con unos pasos básicos de preprocesamiento antes de empezar a agrupar datos.

Exercise 1: Aprendizaje no supervisado: conceptos básicos Exercise 2: Aprendizaje no supervisado en el mundo real Exercise 3: Avistamientos Pokémon Exercise 4: Fundamentos del análisis de conglomerados Exercise 5: Avistamientos de Pokémon: agrupación jerárquica Exercise 6: Avistamientos de Pokémon: agrupación de k-means Exercise 7: Preparación de los datos para el análisis de conglomerados Exercise 8: Normalizar los datos de la lista básica Exercise 9: Visualizar datos normalizados Exercise 10: Normalización de números pequeños Exercise 11: FIFA 18: Normaliza los datos

Este capítulo se centra en un popular algoritmo de agrupación -la agrupación jerárquica- y su implementación en SciPy. Además del procedimiento para realizar la agrupación jerárquica, intenta ayudarte a responder a una pregunta importante: ¿cuántas agrupaciones hay en tus datos? El capítulo concluye con un debate sobre las limitaciones de la agrupación jerárquica y analiza las consideraciones a tener en cuenta al utilizarla.

Exercise 1: Fundamentos de la agrupación jerárquica Exercise 2: Agrupación jerárquica: método ward Exercise 3: Agrupación jerárquica: método único Exercise 4: Agrupación jerárquica: método completo Exercise 5: Visualizar agrupaciones Exercise 6: Visualizar conglomerados con matplotlib Exercise 7: Visualizar agrupaciones con seaborn Exercise 8: ¿Cuántas agrupaciones?Exercise 9: Crea un dendrograma Exercise 10: ¿Cuántas agrupaciones hay en los datos de la estafa del cómic?Exercise 11: Limitaciones de la agrupación jerárquica Exercise 12: Ejecución temporal de la agrupación jerárquica Exercise 13: FIFA 18: explorando a los defensores

Este capítulo presenta un algoritmo de agrupación diferente -la agrupación de k-means- y su implementación en SciPy. La agrupación de K-means supera el mayor inconveniente de la agrupación jerárquica que se trató en el capítulo anterior. Como los dendrogramas son específicos de la agrupación jerárquica, en este capítulo se analiza un método para hallar el número de conglomerados antes de ejecutar la agrupación de k-means. El capítulo concluye con un debate sobre las limitaciones de la agrupación de k-means y analiza las consideraciones a tener en cuenta al utilizar este algoritmo.

Exercise 1: Conceptos básicos de la agrupación de k-means Exercise 2: Agrupación de K-means: primer ejercicio Exercise 3: Tiempo de ejecución de la agrupación de k-means Exercise 4: ¿Cuántas agrupaciones?Exercise 5: Método del codo en grupos distintos Exercise 6: Método del codo sobre datos uniformes Exercise 7: Limitaciones de la agrupación de k-means Exercise 8: Impacto de las semillas en los distintos grupos Exercise 9: Patrones de agrupación uniformes Exercise 10: FIFA 18: defensores revisitados

Ahora que ya conoces dos de las técnicas de agrupación más populares, este capítulo te ayuda a aplicar estos conocimientos a problemas del mundo real. El capítulo trata primero del proceso de búsqueda de colores dominantes en una imagen, antes de pasar al problema tratado en la introducción: la agrupación de artículos de noticias. El capítulo concluye con un debate sobre la agrupación con múltiples variables, que dificulta la visualización de todos los datos.

Exercise 1: Colores dominantes en las imágenes Exercise 2: Extrae los valores RGB de la imagen Exercise 3: ¿Cuántos colores dominantes?Exercise 4: Mostrar colores dominantes Exercise 5: Agrupación de documentos Exercise 6: TF-IDF de argumentos de películas Exercise 7: Términos principales en grupos de películas Exercise 8: Agrupación con múltiples características Exercise 9: Agrupación con muchas características Exercise 10: Comprobaciones básicas de las agrupaciones Exercise 11: FIFA 18: ¿qué hace a un jugador completo?

Ejercicio actual

Exercise 12: ¡Adiós!