Mulai sekarangMulai gratis

Kepentingan fitur dalam pengelompokan dengan ARI

Manfaatkan Adjusted Rand Index (ARI) untuk mengukur secara kuantitatif dampak penghapusan setiap fitur terhadap penetapan klaster pada himpunan data pelanggan yang telah Anda gunakan pada latihan sebelumnya, yang telah dimuat sebagai X.

Fungsi adjusted_rand_score() dan variabel column_names telah dimuat untuk Anda.

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

Lihat Kursus

Instruksi latihan

  • Turunkan penetapan klaster awal pada original_clusters.
  • Dalam perulangan for, hapus fitur satu per satu dan simpan hasilnya di X_reduced.
  • Turunkan reduced_clusters dengan menerapkan K-means pada X_reduced.
  • Hitung importance fitur berdasarkan ARI antara reduced_clusters dan original_clusters.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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}')
Edit dan Jalankan Kode