Waktu eksekusi k-means clustering

Ingat kembali bahwa hierarchical clustering memerlukan waktu yang jauh lebih lama untuk dijalankan. Berapa lama waktu yang dibutuhkan untuk menjalankan fungsi kmeans() pada himpunan data FIFA?

Data disimpan dalam pandas DataFrame, fifa. scaled_sliding_tackle dan scaled_aggression adalah kolom terukur yang relevan. timeit dan kmeans sudah diimpor.

Pusat klaster ditentukan melalui fungsi kmeans(). Fungsi ini memiliki dua argumen wajib: pengamatan dan jumlah klaster. Anda dapat menggunakan %timeit sebelum sepotong kode untuk memeriksa berapa lama waktu eksekusinya. Anda dapat mengukur waktu fungsi kmeans() untuk tiga klaster pada himpunan data fifa.

Latihan ini merupakan bagian dari kursus

Analisis Klaster di Python

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Analisis Klaster di Python

SkillTag.level.intermediateSkillTag.label

4.8+

959 reviews

Mulai Kursus Gratis

Sebelum siap mengklasifikasikan artikel berita, Anda perlu memahami dasar-dasar clustering. Bab ini memperkenalkan Anda pada kelas algoritma machine learning yang disebut unsupervised learning dan kemudian memperkenalkan Anda pada clustering, salah satu algoritma unsupervised yang populer. Anda akan mempelajari dua teknik clustering yang populer—hierarchical clustering dan k-means clustering. Bab ini diakhiri dengan langkah-langkah prapemrosesan dasar sebelum Anda mulai melakukan clustering pada data.

Exercise 1: Unsupervised learning: dasar-dasar Exercise 2: Unsupervised learning dalam dunia nyata Exercise 3: Penampakan Pokémon Exercise 4: Dasar-dasar analisis klaster Exercise 5: Penampakan Pokémon: hierarchical clustering Exercise 6: Penampakan Pokémon: klastering k-means Exercise 7: Persiapan data untuk analisis klaster Exercise 8: Menormalkan data list dasar Exercise 9: Visualisasikan data yang dinormalisasi Exercise 10: Normalisasi bilangan kecil Exercise 11: FIFA 18: Normalisasi data

Bab ini berfokus pada algoritma clustering yang populer—hierarchical clustering—beserta implementasinya di SciPy. Selain membahas prosedur untuk melakukan hierarchical clustering, bab ini membantu Anda menjawab pertanyaan penting—berapa banyak klaster yang ada dalam data Anda? Bab ini diakhiri dengan pembahasan keterbatasan hierarchical clustering serta pertimbangan saat menggunakannya.

Exercise 1: Dasar-dasar hierarchical clustering Exercise 2: Hierarchical clustering: metode ward Exercise 3: Hierarchical clustering: metode single Exercise 4: Hierarchical clustering: metode complete Exercise 5: Visualisasikan klaster Exercise 6: Visualisasikan klaster dengan matplotlib Exercise 7: Visualisasikan klaster dengan seaborn Exercise 8: Berapa banyak klaster?Exercise 9: Buat dendrogram Exercise 10: Berapa banyak klaster pada data comic con?Exercise 11: Keterbatasan hierarchical clustering Exercise 12: Mengukur waktu eksekusi hierarchical clustering Exercise 13: FIFA 18: mengeksplorasi pemain bertahan

Bab ini memperkenalkan algoritma clustering yang berbeda—k-means clustering—beserta implementasinya di SciPy. K-means clustering mengatasi kelemahan terbesar dari hierarchical clustering yang dibahas pada bab sebelumnya. Karena dendrogram khusus untuk hierarchical clustering, bab ini membahas satu metode untuk menentukan jumlah klaster sebelum menjalankan k-means clustering. Bab ini diakhiri dengan pembahasan keterbatasan k-means clustering serta pertimbangan saat menggunakan algoritma ini.

Exercise 1: Dasar-dasar pengelompokan k-means Exercise 2: K-means clustering: latihan pertama Exercise 3: Waktu eksekusi k-means clustering

Latihan Saat Ini

Exercise 4: Berapa banyak klaster?Exercise 5: Metode elbow pada klaster yang berbeda jelas Exercise 6: Metode elbow pada data seragam Exercise 7: Keterbatasan pengelompokan k-means Exercise 8: Dampak seed pada klaster yang berbeda Exercise 9: Pola pengelompokan seragam Exercise 10: FIFA 18: kembali ke defender

Sekarang Anda telah mengenal dua teknik clustering yang paling populer, bab ini membantu Anda menerapkan pengetahuan tersebut pada masalah dunia nyata. Bab ini terlebih dahulu membahas proses menemukan warna dominan dalam sebuah gambar, sebelum berlanjut ke masalah yang dibahas pada pengantar—clustering artikel berita. Bab ini diakhiri dengan pembahasan clustering dengan banyak variabel, yang membuat seluruh data sulit untuk divisualisasikan.

Exercise 1: Warna dominan pada gambar Exercise 2: Ekstrak nilai RGB dari gambar Exercise 3: Berapa banyak warna dominan?Exercise 4: Tampilkan warna dominan Exercise 5: Pengelompokan dokumen Exercise 6: TF-IDF untuk alur film Exercise 7: Term teratas dalam cluster film Exercise 8: Clustering dengan banyak fitur Exercise 9: Clustering dengan banyak fitur Exercise 10: Pemeriksaan dasar pada klaster Exercise 11: FIFA 18: apa yang membuat pemain komplet?Exercise 12: Sampai jumpa!