Afficher les couleurs dominantes

Nous avons chargé l’image suivante avec la fonction imread() de la classe image de matplotlib.

Pour afficher les couleurs dominantes, convertissez les couleurs des centres de clusters en leurs valeurs brutes puis ramenez-les dans l’intervalle 0-1 à l’aide de la formule suivante : converted_pixel = standardized_pixel * pixel_std / 255

Les valeurs RVB sont stockées dans un DataFrame, batman_df. Les valeurs RVB mises à l’échelle sont stockées dans les colonnes scaled_red, scaled_blue et scaled_green. Les centres de clusters sont stockés dans la variable cluster_centers, générés avec la fonction kmeans() avec trois clusters.

Cet exercice fait partie du cours

Analyse de clusters en Python

Afficher le cours

Instructions

Récupérez les écarts types de chaque couleur depuis le DataFrame et stockez-les dans r_std, g_std, b_std.
Pour chaque centre de cluster, convertissez les valeurs RVB standardisées en valeurs mises à l’échelle dans l’intervalle 0-1.
Affichez les couleurs des centres de clusters.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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()

Modifier et exécuter le code

Cet exercice fait partie du cours

Analyse de clusters en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Avant de pouvoir classer des articles d’actualité, il est essentiel de découvrir les bases du clustering. Ce chapitre vous familiarise avec une classe d’algorithmes de Machine Learning appelée apprentissage non supervisé, puis vous présente le clustering, l’un de ses algorithmes phares. Vous verrez deux techniques de clustering populaires : le clustering hiérarchique et le clustering k-means. Le chapitre se termine par les étapes de prétraitement essentielles avant de commencer à regrouper des données.

Exercise 1: Machine Learning non supervisé : notions de base Exercise 2: Unsupervised learning dans le monde réel Exercise 3: Observations de Pokémon Exercise 4: Bases de l’analyse de clusters Exercise 5: Observations de Pokémon : clustering hiérarchique Exercise 6: Observations de Pokémon : clustering k-means Exercise 7: Préparation des données pour l’analyse de clusters Exercise 8: Normaliser des données de base sous forme de liste Exercise 9: Visualiser des données normalisées Exercise 10: Normalisation de petits nombres Exercise 11: FIFA 18 : Normaliser les données

Ce chapitre s’intéresse à un algorithme de clustering très répandu — le clustering hiérarchique — et à son implémentation dans SciPy. Au-delà de la procédure pour réaliser un clustering hiérarchique, il vous aide à répondre à une question clé : combien de clusters votre jeu de données contient-il ? Le chapitre se conclut par une présentation des limites du clustering hiérarchique et des points d’attention lors de son utilisation.

Exercise 1: Notions de base du clustering hiérarchique Exercise 2: Clustering hiérarchique : méthode de Ward Exercise 3: Clustering hiérarchique : méthode single Exercise 4: Clustering hiérarchique : méthode complete Exercise 5: Visualiser les clusters Exercise 6: Visualiser des clusters avec matplotlib Exercise 7: Visualiser des clusters avec seaborn Exercise 8: Combien de clusters ?Exercise 9: Créer un dendrogramme Exercise 10: Combien de clusters dans les données du Comic Con ?Exercise 11: Limites du clustering hiérarchique Exercise 12: Chronométrer l’exécution du clustering hiérarchique Exercise 13: FIFA 18 : explorer les défenseurs

Ce chapitre présente un autre algorithme de clustering — le clustering k-means — et son implémentation dans SciPy. Le k-means corrige le principal inconvénient du clustering hiérarchique évoqué au chapitre précédent. Les dendrogrammes étant propres au clustering hiérarchique, ce chapitre aborde une méthode pour déterminer le nombre de clusters avant d’exécuter k-means. Il se termine par une discussion sur les limites de k-means et les précautions à prendre lors de son usage.

Exercise 1: Notions de base du clustering k-means Exercise 2: Clustering k-means : premier exercice Exercise 3: Temps d’exécution du k-means Exercise 4: Combien de clusters ?Exercise 5: Méthode du coude sur des clusters distincts Exercise 6: Méthode du coude sur des données uniformes Exercise 7: Limites du clustering k-means Exercise 8: Impact des graines aléatoires sur des clusters distincts Exercise 9: Motifs de regroupement uniformes Exercise 10: FIFA 18 : retour sur les défenseurs

Maintenant que vous maîtrisez deux des techniques de clustering les plus utilisées, ce chapitre vous aide à appliquer ces connaissances à des problèmes concrets. Il commence par le processus d’extraction des couleurs dominantes d’une image, puis revient au problème présenté en introduction : le regroupement d’articles d’actualité. Le chapitre se conclut par une discussion sur le clustering avec de multiples variables, qui rend la visualisation de l’ensemble des données plus difficile.

Exercise 1: Couleurs dominantes dans les images Exercise 2: Extraire les valeurs RVB d’une image Exercise 3: Combien de couleurs dominantes ?Exercise 4: Afficher les couleurs dominantes

Exercice en cours

Exercise 5: Regroupement de documents Exercise 6: TF-IDF des intrigues de films Exercise 7: Termes principaux dans les clusters de films Exercise 8: Regrouper avec plusieurs variables Exercise 9: Regroupement avec de nombreuses caractéristiques Exercise 10: Vérifications de base sur les clusters Exercise 11: FIFA 18 : qu’est-ce qui fait un joueur complet ?Exercise 12: Au revoir !