FIFA 18: explorando os defensores

No conjunto de dados FIFA 18, há vários atributos de jogadores. Dois desses atributos são:

Deslocamento: um número entre 0 e 99 que significa a precisão com que um jogador consegue realizar desarmes deslizantes
agressividade: um número entre 0 e 99 que significa o comprometimento e a vontade de um jogador

Normalmente, eles são altos em jogadores com mentalidade de defesa. Neste exercício, você executará o clustering com base nesses atributos nos dados.

Esses dados consistem em 5.000 linhas e são consideravelmente maiores do que os conjuntos de dados anteriores. A execução do clustering hierárquico nesses dados pode levar até 10 segundos.

Os seguintes módulos são pré-carregados: dendrogram, linkage, fcluster de scipy.cluster.hierarchy, matplotlib.pyplot como plt, seaborn como sns. Os dados são armazenados em um DataFrame da pandas, fifa.

Este exercício faz parte do curso

Análise de cluster em Python

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Fit the data into a hierarchical clustering algorithm
distance_matrix = ____(fifa[[____, ____]], 'ward')

Editar e executar código

Este exercício faz parte do curso

Análise de cluster em Python

IntermediárioNível de habilidade

4.8+

Iniciar curso gratuitamente

Antes de estar pronto para classificar artigos de notícias, você precisa conhecer os conceitos básicos de clustering. Este capítulo o familiariza com uma classe de algoritmos de aprendizado de máquina chamada aprendizado não supervisionado e, em seguida, apresenta a você o agrupamento, um dos algoritmos populares de aprendizado não supervisionado. Você conhecerá duas técnicas de agrupamento populares: agrupamento hierárquico e agrupamento k-means. O capítulo termina com as etapas básicas de pré-processamento antes de você começar a clusterizar os dados.

Exercise 1: Aprendizado não supervisionado: noções básicas Exercise 2: Aprendizagem não supervisionada no mundo real Exercise 3: Avistamentos de Pokémon Exercise 4: Noções básicas de análise de agrupamento Exercise 5: Avistamentos de Pokémon: agrupamento hierárquico Exercise 6: Avistamentos de Pokémon: agrupamento k-means Exercise 7: Preparação de dados para análise de cluster Exercise 8: Normalizar dados da lista básica Exercise 9: Visualizar dados normalizados Exercise 10: Normalização de números pequenos Exercise 11: FIFA 18: Normalizar dados

Este capítulo se concentra em um algoritmo de agrupamento popular - o agrupamento hierárquico - e sua implementação no SciPy. Além do procedimento para executar o agrupamento hierárquico, ele tenta ajudar você a responder a uma pergunta importante: quantos agrupamentos estão presentes nos seus dados? O capítulo termina com uma discussão sobre as limitações do agrupamento hierárquico e discute as considerações ao usar o agrupamento hierárquico.

Exercise 1: Noções básicas de agrupamento hierárquico Exercise 2: Agrupamento hierárquico: método ward Exercise 3: Agrupamento hierárquico: método único Exercise 4: Agrupamento hierárquico: método completo Exercise 5: Visualizar clusters Exercise 6: Visualize agrupamentos com matplotlib Exercise 7: Visualize clusters com o seaborn Exercise 8: Quantos clusters você tem?Exercise 9: Criar um dendrograma Exercise 10: Quantos clusters existem nos dados da comic con?Exercise 11: Limitações do agrupamento hierárquico Exercise 12: Execução de tempo de agrupamento hierárquico Exercise 13: FIFA 18: explorando os defensores

Exercício atual

Este capítulo apresenta um algoritmo de agrupamento diferente - o agrupamento k-means - e sua implementação no SciPy. O agrupamento K-means supera a maior desvantagem do agrupamento hierárquico que foi discutida no último capítulo. Como os dendrogramas são específicos do agrupamento hierárquico, este capítulo discute um método para encontrar o número de clusters antes de executar o agrupamento k-means. O capítulo termina com uma discussão sobre as limitações do k-means clustering e discute as considerações ao usar esse algoritmo.

Exercise 1: Noções básicas de k-means clustering Exercise 2: K-means clustering: primeiro exercício Exercise 3: Tempo de execução do k-means clustering Exercise 4: Quantos clusters você tem?Exercise 5: Método do cotovelo em grupos distintos Exercise 6: Método do cotovelo em dados uniformes Exercise 7: Limitações do k-means clustering Exercise 8: Impacto das sementes em grupos distintos Exercise 9: Padrões uniformes de agrupamento Exercise 10: FIFA 18: defensores revisitados

Agora que você já conhece duas das técnicas de clustering mais populares, este capítulo o ajudará a aplicar esse conhecimento a problemas do mundo real. O capítulo primeiro discute o processo de encontrar cores dominantes em uma imagem, antes de passar para o problema discutido na introdução - agrupamento de artigos de notícias. O capítulo termina com uma discussão sobre clustering com várias variáveis, o que dificulta a visualização de todos os dados.

Exercise 1: Cores dominantes em imagens Exercise 2: Extraia os valores RGB da imagem Exercise 3: Quantas cores dominantes você tem?Exercise 4: Exibir cores dominantes Exercise 5: Agrupamento de documentos Exercise 6: TF-IDF de enredos de filmes Exercise 7: Principais termos em grupos de filmes Exercise 8: Agrupamento com vários recursos Exercise 9: Agrupamento com muitos recursos Exercise 10: Verificações básicas em clusters Exercise 11: FIFA 18: O que torna um jogador completo?Exercise 12: Até logo!