Обмеження k-means кластеризації

Create Your Free Account

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

Ця вправа є частиною курсу

Кластерний аналіз у Python

SkillTag.level.intermediateSkillTag.label

4.8+

Перш ніж класифікувати новинні статті, варто розібратися з основами кластеризації. У цьому розділі ви познайомитеся з класом алгоритмів машинного навчання, що називається навчанням без учителя, а також із кластеризацією — одним із найпопулярніших алгоритмів цього типу. Ви дізнаєтеся про дві поширені техніки кластеризації — ієрархічну кластеризацію та k-means. Розділ завершується базовими кроками попередньої обробки перед тим, як почати кластеризувати дані.

Exercise 1: Наглядове навчання: основи Exercise 2: Некероване навчання у реальному світі Exercise 3: Помічені Pokémon Exercise 4: Основи кластерного аналізу Exercise 5: Спостереження за Pokémon: ієрархічне кластеризування Exercise 6: Спостереження за Pokémon: кластеризація k-means Exercise 7: Підготовка даних для кластерного аналізу Exercise 8: Нормалізуйте базові дані списку Exercise 9: Візуалізація нормалізованих даних Exercise 10: Нормалізація малих чисел Exercise 11: FIFA 18: Нормалізуйте дані

У цьому розділі зосереджено увагу на популярному алгоритмі кластеризації — ієрархічній кластеризації — та її реалізації в SciPy. Окрім процедури виконання ієрархічної кластеризації, розділ допоможе вам відповісти на важливе запитання: скільки кластерів є у ваших даних? Наприкінці обговорюються обмеження ієрархічної кластеризації та важливі міркування щодо її використання.

Exercise 1: Основи ієрархічного кластерування Exercise 2: Ієрархічне кластеризування: метод ward Exercise 3: Ієрархічне кластеризування: метод single Exercise 4: Ієрархічне кластеризування: метод complete Exercise 5: Візуалізуйте кластери Exercise 6: Візуалізація кластерів з matplotlib Exercise 7: Візуалізація кластерів із seaborn Exercise 8: Скільки кластерів?Exercise 9: Створіть дендрограму Exercise 10: Скільки кластерів у даних Comic Con?Exercise 11: Обмеження ієрархічного кластеризування Exercise 12: Вимірювання часу виконання ієрархічного кластеризування Exercise 13: FIFA 18: досліджуємо захисників

Цей розділ знайомить з іншим алгоритмом кластеризації — k-means — та його реалізацією в SciPy. K-means долає головний недолік ієрархічної кластеризації, розглянутий у попередньому розділі. Оскільки дендограмами користуються лише в ієрархічній кластеризації, тут розглядається один зі способів визначити кількість кластерів перед запуском k-means. Наприкінці наведено обмеження k-means і міркування щодо використання цього алгоритму.

Exercise 1: Основи кластеризації k-means Exercise 2: K-means clustering: перша вправа Exercise 3: Час виконання k-means кластеризації Exercise 4: Скільки кластерів?Exercise 5: Метод ліктя для чітких кластерів Exercise 6: Метод ліктя на рівномірних даних Exercise 7: Обмеження k-means кластеризації

Поточна вправа

Exercise 8: Вплив зерен (seed) на окремі кластери Exercise 9: Однорідні шаблони кластеризації Exercise 10: FIFA 18: захисники ще раз

Тепер, коли ви ознайомилися з двома найпопулярнішими техніками кластеризації, цей розділ допоможе застосувати знання до реальних задач. Спершу розглянемо визначення домінантних кольорів на зображенні, а далі повернемося до задачі з вступу — кластеризації новинних статей. Завершимо обговоренням кластеризації з багатьма змінними, що ускладнює візуалізацію всіх даних.

Exercise 1: Домінантні кольори на зображеннях Exercise 2: Добування значень RGB із зображення Exercise 3: Скільки домінантних кольорів?Exercise 4: Відобразіть домінантні кольори Exercise 5: Кластеризація документів Exercise 6: TF-IDF сюжетів фільмів Exercise 7: Найчастотніші терміни у кластерах фільмів Exercise 8: Кластеризація за багатьма ознаками Exercise 9: Кластеризація з багатьма ознаками Exercise 10: Базові перевірки кластерів Exercise 11: FIFA 18: що робить гравця всебічним?Exercise 12: На все добре!