使用 ARI 评估聚类中的特征重要性

利用调整兰德指数（Adjusted Rand Index，ARI）定量评估在客户数据集中移除每个特征对簇分配的影响。该数据集已在上一个练习中使用，并预加载为 X。

adjusted_rand_score() 函数和变量 column_names 已为您预加载。

本练习是课程的一部分

Python 可解释性 AI

查看课程

练习说明

计算原始簇分配，保存到 original_clusters。
在 for 循环中，逐个移除特征，并将结果保存为 X_reduced。
对 X_reduced 应用 K-means，得到 reduced_clusters。
基于 reduced_clusters 与 original_clusters 之间的 ARI 计算特征的 importance。

交互式实操练习

通过完成这段示例代码来试试这个练习。

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}')

编辑并运行代码