Quantos clusters você tem?

Você recebeu uma matriz points de tamanho 300x2, em que cada linha fornece as coordenadas (x, y) de um ponto em um mapa. Faça um gráfico de dispersão desses pontos e use o gráfico de dispersão para adivinhar quantos agrupamentos existem.

matplotlib.pyplot já foi importado como plt.

Crie uma matriz chamada xs que contenha os valores de points[:,0], ou seja, a coluna 0 de points.
Crie uma matriz chamada ys que contenha os valores de points[:,1], ou seja, a coluna 1 de points.
Faça um gráfico de dispersão passando xs e ys para a função plt.scatter().
Chame a função plt.show() para mostrar o gráfico.

Quantos clusters você vê?

Este exercicio faz parte do curso

Unsupervised Learning em Python

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Unsupervised Learning em Python

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Aprenda a descobrir os grupos subjacentes (ou "clusters") em um conjunto de dados. Ao final deste capítulo, você estará agrupando empresas usando seus preços no mercado de ações e distinguindo diferentes espécies ao clusterizar suas medições.

Exercise 1: Aprendizagem não supervisionada Exercise 2: Quantos clusters você tem?

Exercicio Atual

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?

Neste capítulo, você vai conhecer duas técnicas de aprendizado não supervisionado para visualização de dados: clusterização hierárquica e t-SNE. A clusterização hierárquica combina as amostras em clusters cada vez mais amplos, gerando uma visualização em árvore da hierarquia resultante. O t-SNE mapeia as amostras para um espaço 2D para que a proximidade entre elas possa ser visualizada.

Exercise 1: Visualização de hierarquias Exercise 2: Quantas fusões você fez?Exercise 3: Agrupamento hierárquico dos dados de grãos Exercise 4: Hierarquias de estoques Exercise 5: Rótulos de cluster em clustering hierárquico Exercise 6: Quais clusters estão mais próximos?Exercise 7: Diferentes vínculos, diferentes agrupamentos hierárquicos!Exercise 8: Agrupamentos intermediários Exercise 9: Extração dos rótulos de cluster Exercise 10: t-SNE para mapas bidimensionais Exercise 11: t-SNE visualização do conjunto de dados de grãos Exercise 12: Um mapa t-SNE do mercado de ações

A redução de dimensão resume um conjunto de dados usando seus padrões recorrentes. Neste capítulo, você vai aprender a mais fundamental das técnicas de redução de dimensão, a "Análise de Componentes Principais" ("PCA"). A PCA é frequentemente usada antes do aprendizado supervisionado para melhorar o desempenho e a capacidade de generalização do modelo. Ela também pode ser útil no aprendizado não supervisionado. Por exemplo, você vai aplicar uma variante de PCA que permitirá agrupar artigos da Wikipedia pelo conteúdo!

Exercise 1: Visualizando a transformação PCA Exercise 2: Dados correlacionados na natureza Exercise 3: Decorrelacionando as medições de grãos com PCA Exercise 4: Componentes principais Exercise 5: Dimensão intrínseca Exercise 6: O primeiro componente principal Exercise 7: Variação dos recursos do site PCA Exercise 8: Dimensão intrínseca dos dados do peixe Exercise 9: Redução da dimensão com PCA Exercise 10: Redução da dimensão das medições de peixes Exercise 11: Um array de frequência de palavras com tf-idf Exercise 12: Agrupamento da Wikipédia parte I Exercise 13: Agrupamento de partes da Wikipédia II

Neste capítulo, você vai aprender uma técnica de redução de dimensão chamada "Fatoração de Matrizes Não Negativas" ("NMF"), que expressa amostras como combinações de partes interpretáveis. Por exemplo, ela representa documentos como combinações de tópicos e imagens em termos de padrões visuais recorrentes. Você também vai usar NMF para construir sistemas de recomendação que possam encontrar artigos semelhantes para você ler ou artistas musicais que combinem com seu histórico de escuta!

Exercise 1: Fatoração de matriz não negativa (NMF)Exercise 2: Dados não negativos Exercise 3: NMF aplicado a artigos da Wikipédia Exercise 4: NMF recursos dos artigos da Wikipédia Exercise 5: NMF reconstrói amostras Exercise 6: NMF aprende partes interpretáveis Exercise 7: NMF aprende tópicos de documentos Exercise 8: Explore o conjunto de dados de LED dígitos Exercise 9: NMF aprende as partes das imagens Exercise 10: PCA não aprende as partes Exercise 11: Criação de sistemas de recomendação usando NMF Exercise 12: Quais artigos são semelhantes a "Cristiano Ronaldo"?Exercise 13: Recomendar artistas musicais - parte I Exercise 14: Recomendar a parte de artistas musicais II Exercise 15: Considerações finais