Quais ações se movem juntas?

No exercício anterior, você agrupou as empresas de acordo com os movimentos diários do preço das ações. Então, qual empresa tem preços de ações que tendem a mudar da mesma forma? Agora você inspecionará os rótulos de cluster do seu clustering para descobrir.

Sua solução para o exercício anterior já foi executada. Lembre-se de que você construiu um Pipeline pipeline contendo um modelo KMeans e o ajustou à matriz NumPy movements de movimentos diários de ações. Além disso, você tem à disposição uma lista companies dos nomes das empresas.

Este exercicio faz parte do curso

Unsupervised Learning em Python

Instruções do exercicio

Importe pandas como pd.
Use o método .predict() do pipeline para prever os rótulos para movements.
Alinhe os rótulos dos clusters com a lista de nomes de empresas companies criando um DataFrame df com labels e companies como colunas. Isso foi feito para você.
Use o método .sort_values() de df para classificar o DataFrame pela coluna 'labels' e imprima o resultado.
Clique em enviar e veja quais empresas estão juntas em cada cluster!

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Import pandas
import pandas as pd

# Predict the cluster labels: labels
labels = ____

# Create a DataFrame aligning labels and companies: df
df = pd.DataFrame({'labels': labels, 'companies': companies})

# Display df sorted by cluster label
print(____)

Editar e Executar Código

Este exercicio faz parte do curso

Unsupervised Learning em Python

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Learn how to discover the underlying groups (or "clusters") in a dataset. By the end of this chapter, you'll be clustering companies using their stock market prices, and distinguishing different species by clustering their measurements.

Exercise 1: Aprendizagem não supervisionada Exercise 2: Quantos clusters você tem?Exercise 3: Agrupamento de pontos 2D Exercise 4: Inspecione seu clustering Exercise 5: Avaliação de um clustering Exercise 6: Quantos cachos de grãos você tem?Exercise 7: Avaliação do agrupamento de grãos Exercise 8: Transformação de recursos para melhores agrupamentos Exercise 9: Dimensionamento de dados de peixes para agrupamento Exercise 10: Agrupamento dos dados de peixes Exercise 11: Agrupamento de ações usando KMeans Exercise 12: Quais ações se movem juntas?

Exercicio Atual

In this chapter, you'll learn about two unsupervised learning techniques for data visualization, hierarchical clustering and t-SNE. Hierarchical clustering merges the data samples into ever-coarser clusters, yielding a tree visualization of the resulting cluster hierarchy. t-SNE maps the data samples into 2d space so that the proximity of the samples to one another can be visualized.

Exercise 1: Visualizing hierarchies Exercise 2: How many merges?Exercise 3: Hierarchical clustering of the grain data Exercise 4: Hierarchies of stocks Exercise 5: Cluster labels in hierarchical clustering Exercise 6: Which clusters are closest?Exercise 7: Different linkage, different hierarchical clustering!Exercise 8: Intermediate clusterings Exercise 9: Extracting the cluster labels Exercise 10: t-SNE for 2-dimensional maps Exercise 11: t-SNE visualization of grain dataset Exercise 12: A t-SNE map of the stock market

Dimension reduction summarizes a dataset using its common occuring patterns. In this chapter, you'll learn about the most fundamental of dimension reduction techniques, "Principal Component Analysis" ("PCA"). PCA is often used before supervised learning to improve model performance and generalization. It can also be useful for unsupervised learning. For example, you'll employ a variant of PCA will allow you to cluster Wikipedia articles by their content!

Exercise 1: Visualizing the PCA transformation Exercise 2: Correlated data in nature Exercise 3: Decorrelating the grain measurements with PCA Exercise 4: Principal components Exercise 5: Intrinsic dimension Exercise 6: The first principal component Exercise 7: Variance of the PCA features Exercise 8: Intrinsic dimension of the fish data Exercise 9: Dimension reduction with PCA Exercise 10: Dimension reduction of the fish measurements Exercise 11: A tf-idf word-frequency array Exercise 12: Clustering Wikipedia part I Exercise 13: Clustering Wikipedia part II

In this chapter, you'll learn about a dimension reduction technique called "Non-negative matrix factorization" ("NMF") that expresses samples as combinations of interpretable parts. For example, it expresses documents as combinations of topics, and images in terms of commonly occurring visual patterns. You'll also learn to use NMF to build recommender systems that can find you similar articles to read, or musical artists that match your listening history!

Exercise 1: Non-negative matrix factorization (NMF)Exercise 2: Non-negative data Exercise 3: NMF applied to Wikipedia articles Exercise 4: NMF features of the Wikipedia articles Exercise 5: NMF reconstructs samples Exercise 6: NMF learns interpretable parts Exercise 7: NMF learns topics of documents Exercise 8: Explore the LED digits dataset Exercise 9: NMF learns the parts of images Exercise 10: PCA doesn't learn parts Exercise 11: Building recommender systems using NMF Exercise 12: Which articles are similar to 'Cristiano Ronaldo'?Exercise 13: Recommend musical artists part I Exercise 14: Recommend musical artists part II Exercise 15: Final thoughts