FIFA 18: explorando a los defensores

En el conjunto de datos FIFA 18 hay varios atributos de los jugadores. Dos de estos atributos son:

entrada deslizante: un número entre 0-99 que indica la precisión con la que un jugador es capaz de realizar entradas deslizantes
agresividad: un número entre 0-99 que significa el compromiso y la voluntad de un jugador

Suelen ser altos en jugadores con mentalidad defensiva. En este ejercicio, realizarás una agrupación basada en estos atributos de los datos.

Estos datos constan de 5000 filas, y son considerablemente mayores que los conjuntos de datos anteriores. Ejecutar la agrupación jerárquica en estos datos puede llevar hasta 10 segundos.

Los siguientes módulos están precargados: dendrogram, linkage, fcluster de scipy.cluster.hierarchy, matplotlib.pyplot como plt, seaborn como sns. Los datos se almacenan en un DataFrame de pandas, fifa.

Este ejercicio forma parte del curso

Análisis de conglomerados en Python

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Fit the data into a hierarchical clustering algorithm
distance_matrix = ____(fifa[[____, ____]], 'ward')

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

Ejercicio actual

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?Exercise 12: ¡Adiós!