Wpływ cech na jakość klastrowania

Zbadaj, jak poszczególne cechy wpływają na jakość klastrowania modelu KMeans. Zbiór danych X służy do segmentacji klientów na podstawie trzech cech: dochodu, liczby dzieci oraz liczby nastolatków w gospodarstwie domowym.

Funkcja silhouette_score oraz zmienna column_names zostały już wczytane.

To ćwiczenie jest częścią kursu

Wyjaśnialne AI w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wyznacz oryginalny wynik silhouette (original_score).
W pętli for usuwaj cechy jedna po drugiej i zapisuj wynik w zmiennej X_reduced.
Oblicz nowy wynik silhouette (new_score).
Oblicz impact danej cechy.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

kmeans = KMeans(n_clusters=5, random_state=10, n_init=10).fit(X)
# Derive the original silhouette score
original_score = ____

for i in range(X.shape[1]):
  	# Remove feature at index i
    X_reduced = ____
    kmeans.fit(X_reduced)
    # Compute the new silhouette score
    new_score = ____
    # Compute the feature's impact
    impact = ____
    print(f'Feature {column_names[i]}: Impact = {impact}')

Edytuj i uruchom kod