Basis van k-means-clustering

Clusteranalyse in Python

Shaumik Daityari

Business Analyst

Waarom k-means-clustering?

Een groot nadeel van hiërarchisch clusteren: rekentijd
K-means is veel sneller op grote datasets

Stap 1: Clustercentra genereren

kmeans(obs, k_or_guess, iter, thresh, check_finite)

obs: gestandaardiseerde observaties
k_or_guess: aantal clusters
iter: aantal iteraties (standaard: 20)
thres: drempel (standaard: 1e-05)
check_finite: controle of observaties alleen eindige waarden bevatten (standaard: True)

Retourneert twee objecten: clustercentra, distortie

Hoe wordt de distortie berekend?

Stap 2: Clusterlabels genereren

vq(obs, code_book, check_finite=True)

obs: gestandaardiseerde observaties
code_book: clustercentra
check_finite: controle of observaties alleen eindige waarden bevatten (standaard: True)

Retourneert twee objecten: een lijst met clusterlabels, een lijst met distorties

Opmerking over distorties

kmeans retourneert één waarde voor distortie
vq retourneert een lijst met distorties.

K-means draaien

# Import kmeans and vq functions
from scipy.cluster.vq import kmeans, vq

# Generate cluster centers and labels
cluster_centers, _ = kmeans(df[['scaled_x', 'scaled_y']], 3)
df['cluster_labels'], _ = vq(df[['scaled_x', 'scaled_y']], cluster_centers)

# Plot clusters
sns.scatterplot(x='scaled_x', y='scaled_y', hue='cluster_labels', data=df)
plt.show()

Daarna: oefeningen!

Clusteranalyse in Python