Základy shlukování k-means

Cluster Analysis in Python

Shaumik Daityari

Business Analyst

Proč shlukování k-means?

Hlavní nevýhoda hierarchického shlukování: výpočetní náročnost
K-means je na velkých datasetech výrazně rychlejší

Krok 1: Generování středů shluků

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

obs: standardizovaná pozorování
k_or_guess: počet shluků
iter: počet iterací (výchozí: 20)
thres: prahová hodnota (výchozí: 1e-05)
check_finite: zda ověřit, že pozorování obsahují pouze konečná čísla (výchozí: True)

Vrací dva objekty: středy shluků, zkreslení

Jak se počítá zkreslení?

Krok 2: Generování štítků shluků

vq(obs, code_book, check_finite=True)

obs: standardizovaná pozorování
code_book: středy shluků
check_finite: zda ověřit, že pozorování obsahují pouze konečná čísla (výchozí: True)

Vrací dva objekty: seznam štítků shluků, seznam zkreslení

Poznámka ke zkreslení

kmeans vrací jednu hodnotu zkreslení
vq vrací seznam zkreslení.

Spuštění k-means

# 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()

Nyní: cvičení!

Cluster Analysis in Python