Särdragets vikt vid klustring med ARI
Använd det justerade Rand-indexet (ARI) för att kvantitativt mäta hur borttagningen av varje särdrag påverkar klustertilldelningarna i kunddata från föregående övning, förinläst i X.
Funktionen adjusted_rand_score() och variabeln column_names har förberetts åt dig.
Den här övningen är en del av kursen
Förklarbar AI i Python
Övningsinstruktioner
- Beräkna de ursprungliga klustertilldelningarna i
original_clusters. - Ta bort särdrag ett i taget i for-loopen och spara resultatet i
X_reduced. - Beräkna
reduced_clustersgenom att tillämpa K-means påX_reduced. - Beräkna särdragets
importancebaserat på ARI mellanreduced_clustersochoriginal_clusters.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
kmeans = KMeans(n_clusters=5, random_state=10, n_init=10).fit(X)
# Derive original clusters
original_clusters = ____
for i in range(X.shape[1]):
# Remove feature at index i
X_reduced = ____
# Derive reduced clusters
reduced_clusters = ____
# Derive feature importance
importance = ____
print(f'{column_names[i]}: {importance}')