Tempo de execução do k-means clustering

Lembre-se de que a execução do agrupamento hierárquico levou um tempo significativamente longo. Quanto tempo você leva para executar a função kmeans() no conjunto de dados FIFA?

Os dados são armazenados em um DataFrame do pandas, fifa. scaled_sliding_tackle e scaled_aggression são as colunas em escala relevantes. timeit e kmeans foram importados.

Os centros de cluster são definidos por meio da função kmeans(). Ele tem dois argumentos obrigatórios: observações e número de clusters. Você pode usar %timeit antes de um trecho de código para verificar quanto tempo ele leva para ser executado. Você pode cronometrar a função kmeans() para três clusters no conjunto de dados fifa.

Este exercício faz parte do curso

Análise de cluster em Python

Ver curso

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Análise de cluster em Python

IntermediárioNível de habilidade

4.8+

527 reviews

Iniciar curso de graça

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

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

Exercício atual

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!