НачатьНачать бесплатно

Однородные паттерны кластеризации

Теперь, когда вы знакомы с влиянием начальных значений, давайте рассмотрим склонность k-means к формированию однородных кластеров.

Для следующего упражнения мы воспользуемся набором данных «мышь». Это группа точек, напоминающая голову мыши: три кластера точек, расположенных по окружностям, — по одному для морды и двух ушей.

Вот как выглядит типичный набор данных «мышь» (Источник).

Данные хранятся в DataFrame pandas — mouse. Столбцы x_scaled и y_scaled содержат стандартизированные координаты X и Y точек данных.

Это упражнение является частью курса

Кластерный анализ на Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте функции kmeans и vq из SciPy.
  • Получите центры кластеров с помощью функции kmeans(), задав три кластера.
  • Создайте метки кластеров с помощью vq(), используя полученные выше центры кластеров.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import the kmeans and vq functions
____

# Generate cluster centers
cluster_centers, distortion = ____

# Assign cluster labels
mouse['cluster_labels'], distortion_list = ____

# Plot clusters
sns.scatterplot(x='x_scaled', y='y_scaled', 
                hue='cluster_labels', data = mouse)
plt.show()
Редактировать и запускать код