शुरू करेंमुफ़्त में शुरू करें

ARI के साथ क्लस्टरिंग में फीचर इंपोर्टेंस

Adjusted Rand Index (ARI) का उपयोग करके यह मात्रात्मक रूप से नापें कि पिछले अभ्यास में जिस कस्टमर डेटासेट पर आपने काम किया था (जो X में प्रीलोडेड है), उसमें प्रत्येक फीचर को हटाने से क्लस्टर असाइनमेंट पर कितना असर पड़ता है.

आपके लिए adjusted_rand_score() फंक्शन और column_names वैरिएबल पहले से लोड किए गए हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Explainable AI

पाठ्यक्रम देखें

अभ्यास निर्देश

  • original_clusters में मूल क्लस्टर असाइनमेंट निकालें.
  • for लूप में, फीचर्स को एक-एक करके हटाएँ और परिणाम X_reduced में सहेजें.
  • X_reduced पर K-means लागू करके reduced_clusters निकालें.
  • reduced_clusters और original_clusters के बीच ARI के आधार पर फीचर की importance की गणना करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

kmeans = KMeans(n_clusters=5, random_state=10, n_init=10).fit(X)
# Derive original clusters
original_clusters = ____

for i in range(X.shape[1]):
  	# Remove feature at index i
    X_reduced = ____
    # Derive reduced clusters
    reduced_clusters = ____
    # Derive feature importance
    importance = ____
    print(f'{column_names[i]}: {importance}')
कोड संपादित करें और चलाएँ