Замер времени выполнения иерархической кластеризации

В предыдущих упражнениях этой главы вы использовали данные о посещаемости Comic-Con для построения кластеров. В этом упражнении вы измерите, сколько времени занимает выполнение алгоритма в системе DataCamp.

Напомним, что замерить время выполнения небольших фрагментов кода можно с помощью:

%timeit sum([1, 3, 2])

Данные хранятся в pandas DataFrame comic_con. x_scaled и y_scaled — названия столбцов с нормализованными координатами X и Y людей в заданный момент времени. Модуль timeit и функция linkage уже импортированы.

Сколько времени занимает выполнение функции linkage на данных Comic-Con?

Это упражнение является частью курса

Кластерный анализ на Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Кластерный анализ на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Прежде чем приступить к классификации новостных статей, нужно разобраться с основами кластеризации. В этой главе вы познакомитесь с классом алгоритмов машинного обучения, известных как обучение без учителя, а затем изучите кластеризацию — один из наиболее распространённых таких алгоритмов. Вы узнаете о двух популярных методах кластеризации: иерархической кластеризации и методе k-средних. Глава завершается рассмотрением базовых шагов предобработки данных перед началом кластеризации.

Exercise 1: Обучение без учителя: основы Exercise 2: Обучение без учителя в реальном мире Exercise 3: Наблюдения за покемонами Exercise 4: Основы кластерного анализа Exercise 5: Наблюдения покемонов: иерархическая кластеризация Exercise 6: Наблюдения покемонов: кластеризация методом k-средних Exercise 7: Подготовка данных для кластерного анализа Exercise 8: Нормализация простого списка данных Exercise 9: Визуализация нормализованных данных Exercise 10: Нормализация малых чисел Exercise 11: FIFA 18: нормализация данных

В этой главе подробно рассматривается популярный алгоритм кластеризации — иерархическая кластеризация — и его реализация в SciPy. Помимо процедуры выполнения иерархической кластеризации, глава помогает ответить на важный вопрос: сколько кластеров содержится в ваших данных? В завершение обсуждаются ограничения иерархической кластеризации и ключевые соображения при её использовании.

Exercise 1: Основы иерархической кластеризации Exercise 2: Иерархическая кластеризация: метод Уорда Exercise 3: Иерархическая кластеризация: метод одиночной связи Exercise 4: Иерархическая кластеризация: метод полной связи Exercise 5: Визуализация кластеров Exercise 6: Визуализация кластеров с помощью matplotlib Exercise 7: Визуализация кластеров с помощью seaborn Exercise 8: Сколько кластеров?Exercise 9: Построение дендрограммы Exercise 10: Сколько кластеров в данных Comic Con?Exercise 11: Ограничения иерархической кластеризации Exercise 12: Замер времени выполнения иерархической кластеризации

Текущее упражнение

Exercise 13: FIFA 18: анализ защитников

В этой главе рассматривается другой алгоритм кластеризации — метод k-средних — и его реализация в SciPy. Метод k-средних устраняет главный недостаток иерархической кластеризации, о котором шла речь в предыдущей главе. Поскольку дендрограммы применяются только в иерархической кластеризации, здесь обсуждается один из способов определить число кластеров до запуска метода k-средних. Глава завершается разбором ограничений метода k-средних и рекомендациями по его применению.

Exercise 1: Основы кластеризации k-means Exercise 2: K-means кластеризация: первое упражнение Exercise 3: Время выполнения кластеризации k-средних Exercise 4: Сколько кластеров?Exercise 5: Метод локтя для чётко разделённых кластеров Exercise 6: Метод локтя на равномерно распределённых данных Exercise 7: Ограничения метода k-средних Exercise 8: Влияние начального значения на формирование кластеров Exercise 9: Однородные паттерны кластеризации Exercise 10: FIFA 18: защитники — новый взгляд

Теперь, когда вы познакомились с двумя наиболее популярными методами кластеризации, эта глава поможет вам применить полученные знания к реальным задачам. Сначала рассматривается процесс выделения доминирующих цветов на изображении, а затем — задача, упомянутая во введении: кластеризация новостных статей. В завершение обсуждается кластеризация с использованием множества переменных, при которой визуализировать все данные становится затруднительно.

Exercise 1: Доминирующие цвета на изображениях Exercise 2: Извлечение значений RGB из изображения Exercise 3: Сколько доминирующих цветов?Exercise 4: Отображение доминирующих цветов Exercise 5: Кластеризация документов Exercise 6: TF-IDF сюжетов фильмов Exercise 7: Ключевые термины в кластерах фильмов Exercise 8: Кластеризация по нескольким признакам Exercise 9: Кластеризация с большим количеством признаков Exercise 10: Базовые проверки кластеров Exercise 11: FIFA 18: что делает игрока универсальным?Exercise 12: До свидания!