Время выполнения кластеризации k-средних

Вы уже знаете, что иерархическая кластеризация работает достаточно долго. А сколько времени занимает выполнение функции kmeans() на наборе данных FIFA?

Данные хранятся в DataFrame библиотеки pandas под названием fifa. Нужные масштабированные столбцы — scaled_sliding_tackle и scaled_aggression. Модули timeit и kmeans уже импортированы.

Центры кластеров определяются с помощью функции kmeans(). Она принимает два обязательных аргумента: наблюдения и количество кластеров. Чтобы измерить время выполнения фрагмента кода, используйте %timeit перед ним. Попробуйте замерить время работы функции kmeans() для трёх кластеров на наборе данных fifa.

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 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

Текущее упражнение

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!