Vilka kluster är närmast varandra?

I videon lärde du dig att länkningsmetoden avgör hur avståndet mellan kluster mäts. Vid fullständig länkning är avståndet mellan kluster lika med avståndet mellan klusternas längst bort belägna punkter. Vid enkel länkning är avståndet mellan kluster lika med avståndet mellan klusternas närmaste punkter.

Betrakta de tre klusterna i diagrammet. Vilka av följande påståenden stämmer?

A. Vid enkellänkning är Kluster 3 det närmaste klustret till Kluster 2.

B. Vid fullständig länkning är Kluster 1 det närmaste klustret till Kluster 2.

Den här övningen är en del av kursen

Oövervakad inlärning i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Oövervakad inlärning i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Lär dig hur du hittar de underliggande grupperna (eller "klustren") i en datamängd. I slutet av det här kapitlet klustar du företag utifrån deras börspriser och skiljer olika arter åt genom att klustra deras mätdata.

Exercise 1: Oövervakad inlärning Exercise 2: Hur många kluster?Exercise 3: Klustra 2D-punkter Exercise 4: Undersök din klustring Exercise 5: Utvärdera en klustring Exercise 6: Hur många kluster av spannmål?Exercise 7: Utvärdera klustringen av sädesslag Exercise 8: Transformera särdrag för bättre klustring Exercise 9: Skalning av fiskdata inför klustring Exercise 10: Klustra fiskdata Exercise 11: Klustra aktier med KMeans Exercise 12: Vilka aktier rör sig tillsammans?

I det här kapitlet lär du dig om två tekniker för oövervakad inlärning inom datavisualisering: hierarkisk klustring och t-SNE. Hierarkisk klustring slår samman datapunkterna i allt grövre kluster och ger en trädvisualisering av den resulterande klusterhierarkin. t-SNE projicerar datapunkterna i ett tvådimensionellt utrymme så att närheten mellan dem kan visualiseras.

Exercise 1: Visualisering av hierarkier Exercise 2: Hur många sammanslagningar?Exercise 3: Hierarkisk klustring av spannmålsdata Exercise 4: Hierarkier av aktier Exercise 5: Klusteretikett i hierarkisk klustring Exercise 6: Vilka kluster är närmast varandra?

Aktuell övning

Exercise 7: Olika länkning, olika hierarkisk klustring!Exercise 8: Mellanliggande klustringar Exercise 9: Extrahera klusteretiketterna Exercise 10: t-SNE för 2-dimensionella kartor Exercise 11: t-SNE-visualisering av spannmålsdatamängden Exercise 12: En t-SNE-karta över aktiemarknaden

Dimensionsreducering sammanfattar en datamängd utifrån dess återkommande mönster. I det här kapitlet lär du dig om den mest grundläggande tekniken för dimensionsreducering: "Principal Component Analysis" ("PCA"). PCA används ofta före övervakad inlärning för att förbättra modellens prestanda och generaliseringsförmåga. Den kan även vara användbar inom oövervakad inlärning. Du kommer till exempel att använda en variant av PCA för att klustra Wikipedia-artiklar utifrån deras innehåll!

Exercise 1: Visualisering av PCA-transformationen Exercise 2: Korrelerade data i naturen Exercise 3: Dekorrelera spannmålsmätningarna med PCA Exercise 4: Huvudkomponenter Exercise 5: Inneboende dimension Exercise 6: Den första huvudkomponenten Exercise 7: Varians hos PCA-särdragen Exercise 8: Fiskdatans inre dimension Exercise 9: Dimensionsreduktion med PCA Exercise 10: Dimensionsreduktion av fiskmätningar Exercise 11: En tf-idf-ordfrekvensmatris Exercise 12: Klustring av Wikipedia – del I Exercise 13: Klustra Wikipedia, del II

I det här kapitlet lär du dig om en dimensionsreduceringsteknik som kallas "icke-negativ matrisfaktorisering" ("NMF"). Den uttrycker datapunkter som kombinationer av tolkningsbara delar – till exempel dokument som kombinationer av ämnen, och bilder i termer av återkommande visuella mönster. Du lär dig också att använda NMF för att bygga rekommendationssystem som kan föreslå liknande artiklar att läsa, eller musikartister som passar din lyssningshistorik!

Exercise 1: Icke-negativ matrixfaktorisering (NMF)Exercise 2: Icke-negativa data Exercise 3: NMF tillämpat på Wikipedia-artiklar Exercise 4: NMF-särdrag för Wikipedia-artiklarna Exercise 5: NMF rekonstruerar urval Exercise 6: NMF lär sig tolkningsbara delar Exercise 7: NMF identifierar ämnen i dokument Exercise 8: Utforska LED-sifferdatasetet Exercise 9: NMF lär sig delar av bilder Exercise 10: PCA lär sig inte delar Exercise 11: Bygga rekommendationssystem med NMF Exercise 12: Vilka artiklar liknar 'Cristiano Ronaldo'?Exercise 13: Rekommendera musikartister – del I Exercise 14: Rekommendera musikartister, del II Exercise 15: Avslutande tankar