เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ความสำคัญของฟีเจอร์ในการทำ Clustering ด้วย ARI

นำ Adjusted Rand Index (ARI) มาใช้วัดผลกระทบของการลบฟีเจอร์แต่ละตัวออกต่อการจัดกลุ่ม (cluster assignment) ในชุดข้อมูลลูกค้าที่ใช้ในแบบฝึกหัดก่อนหน้า ซึ่งโหลดไว้ล่วงหน้าในตัวแปร X แล้ว

ฟังก์ชัน adjusted_rand_score() และตัวแปร column_names ถูกโหลดไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณการจัดกลุ่มเดิมและเก็บไว้ใน original_clusters
  • ใน for loop ให้ลบฟีเจอร์ออกทีละตัว และบันทึกผลลัพธ์ไว้ใน X_reduced
  • คำนวณ reduced_clusters โดยใช้ K-means กับ X_reduced
  • คำนวณค่า importance ของฟีเจอร์จากค่า ARI ระหว่าง reduced_clusters และ original_clusters

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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}')
แก้ไขและรันโค้ด