使用 ARI 評估叢集中的特徵重要性

運用 Adjusted Rand Index（ARI），量化評估在你於前一個練習中使用的顧客資料集中，移除每個特徵對叢集分配造成的影響；資料已預先載入於 X。

adjusted_rand_score() 函式與 column_names 變數已為你預先載入。

本練習屬於課程

Python 的 Explainable AI

檢視課程

練習說明

推導原始叢集分配至 original_clusters。
在 for 迴圈中，逐一移除特徵，並將結果存為 X_reduced。
對 X_reduced 套用 K-means，取得 reduced_clusters。
根據 reduced_clusters 與 original_clusters 之間的 ARI 計算該特徵的 importance。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

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}')

編輯並執行程式碼