Klustring med flera särdrag

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Den här övningen är en del av kursen

Klusteranalys i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Innan du kan klassificera nyhetsartiklar behöver du lära dig grunderna i klustring. Det här kapitlet introducerar dig till en klass av maskininlärningsalgoritmer som kallas oövervakad inlärning och presenterar sedan klustring, en av de mest populära algoritmerna inom detta område. Du får lära dig om två vanliga klustringsmetoder – hierarkisk klustring och k-means-klustring. Kapitlet avslutas med grundläggande förbehandlingssteg inför klustring av data.

Exercise 1: Oövervakad inlärning: grunderna Exercise 2: Oövervakad inlärning i verkligheten Exercise 3: Pokémon-observationer Exercise 4: Grunderna i klusteranalys Exercise 5: Pokémon-observationer: hierarkisk klustring Exercise 6: Pokémon-observationer: k-means-klustring Exercise 7: Dataförberedelse inför klusteranalys Exercise 8: Normalisera enkel listdata Exercise 9: Visualisera normaliserad data Exercise 10: Normalisering av små tal Exercise 11: FIFA 18: Normalisera data

Det här kapitlet fokuserar på en populär klustringsalgoritm – hierarkisk klustring – och dess implementering i SciPy. Utöver hur du utför hierarkisk klustring behandlas också en viktig fråga: hur många kluster finns det i din data? Kapitlet avslutas med en diskussion om begränsningarna hos hierarkisk klustring och vad du bör tänka på när du använder metoden.

Exercise 1: Grunderna i hierarkisk klustring Exercise 2: Hierarkisk klustring: ward-metoden Exercise 3: Hierarkisk klustring: single-metoden Exercise 4: Hierarkisk klustring: complete-metoden Exercise 5: Visualisera kluster Exercise 6: Visualisera kluster med matplotlib Exercise 7: Visualisera kluster med seaborn Exercise 8: Hur många kluster?Exercise 9: Skapa ett dendrogram Exercise 10: Hur många kluster finns i comic con-data?Exercise 11: Begränsningar med hierarkisk klustring Exercise 12: Tidsmätning av hierarkisk klustring Exercise 13: FIFA 18: utforska försvarare

Det här kapitlet introducerar en annan klustringsalgoritm – k-means-klustring – och dess implementering i SciPy. K-means-klustring löser den största nackdelen med hierarkisk klustring som diskuterades i föregående kapitel. Eftersom dendogram är specifika för hierarkisk klustring tar det här kapitlet upp en metod för att bestämma antalet kluster innan du kör k-means-klustring. Kapitlet avslutas med en diskussion om begränsningarna hos k-means-klustring och vad du bör tänka på när du använder algoritmen.

Exercise 1: Grunderna i k-means-klustring Exercise 2: K-means-klustring: första övningen Exercise 3: Körtid för k-means-klustring Exercise 4: Hur många kluster?Exercise 5: Armbåggsmetoden på distinkta kluster Exercise 6: Armbågsmetoden på uniforma data Exercise 7: Begränsningar med k-means-klustring Exercise 8: Fröns påverkan på distinkta kluster Exercise 9: Uniforma klustringsmönster Exercise 10: FIFA 18: försvarare revisiterade

Nu när du är bekant med två av de mest populära klustringsmetoderna hjälper det här kapitlet dig att tillämpa dessa kunskaper på verkliga problem. Kapitlet börjar med att diskutera hur du hittar dominerande färger i en bild och övergår sedan till problemet som introducerades i kursen – klustring av nyhetsartiklar. Kapitlet avslutas med en diskussion om klustring med flera variabler, vilket gör det svårare att visualisera all data.

Exercise 1: Dominerande färger i bilder Exercise 2: Extrahera RGB-värden från en bild Exercise 3: Hur många dominerande färger finns det?Exercise 4: Visa dominerande färger Exercise 5: Klustring av dokument Exercise 6: TF-IDF av filmhandlingar Exercise 7: Topptermer i filmkluster Exercise 8: Klustring med flera särdrag

Aktuell övning

Exercise 9: Klustring med många särdrag Exercise 10: Grundläggande kontroller av kluster Exercise 11: FIFA 18: vad utmärker en komplett spelare?Exercise 12: Adjö!