Ważność cech w klastrowaniu z użyciem ARI

Wykorzystaj skorygowany indeks Randa (ARI) do ilościowego zmierzenia wpływu usunięcia każdej cechy na przypisania klastrów w zbiorze danych klientów, z którym pracowałeś(-aś) w poprzednim ćwiczeniu – jest on wstępnie załadowany do zmiennej X.

Funkcja adjusted_rand_score() oraz zmienna column_names zostały wstępnie załadowane.

To ćwiczenie jest częścią kursu

Wyjaśnialne AI w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wyznacz oryginalne przypisania klastrów i zapisz je w original_clusters.
W pętli for usuwaj cechy jedna po drugiej i zapisuj wynik w X_reduced.
Wyznacz reduced_clusters, stosując algorytm K-średnich na X_reduced.
Oblicz importance każdej cechy na podstawie wartości ARI między reduced_clusters a original_clusters.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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}')

Edytuj i uruchom kod