Transformer les caractéristiques pour de meilleurs groupements

Unsupervised Learning in Python

Benjamin Wilson

Director of Research at lateral.io

Ensemble de données des vins du Piémont

  • 178 échantillons de 3 cépages rouges distincts : Barolo, Grignolino et Barbera

  • Les caractéristiques mesurent la composition chimique (p. ex. teneur en alcool)

  • Propriétés visuelles comme « intensité de la couleur »

1 Source: https://archive.ics.uci.edu/ml/datasets/Wine
Unsupervised Learning in Python

Regrouper les vins

from sklearn.cluster import KMeans
model = KMeans(n_clusters=3)
labels = model.fit_predict(samples)
Unsupervised Learning in Python

Groupes vs cépages

df = pd.DataFrame({'labels': labels, 
                       'varieties': varieties})
ct = pd.crosstab(df['labels'], df['varieties'])

print(ct)

varieties  Barbera  Barolo  Grignolino
labels                                
0               29      13          20
1                0      46           1
2               19       0          50
Unsupervised Learning in Python

Variances des caractéristiques

  • Les caractéristiques du vin ont des variances très différentes !

  • La variance d'une caractéristique mesure la dispersion de ses valeurs

feature     variance
alcohol         0.65
malic_acid      1.24
...
od280           0.50
proline     99166.71

Nuage de points : variable od280 vs variable malic_acid

Unsupervised Learning in Python

Variances des caractéristiques

  • Les caractéristiques du vin ont des variances très différentes !

  • La variance d'une caractéristique mesure la dispersion de ses valeurs

feature     variance
alcohol         0.65
malic_acid      1.24
...
od280           0.50
proline     99166.71

Nuage de points : variable od280 vs numéro d'observation

Unsupervised Learning in Python

StandardScaler

  • En kmeans : variance d'une caractéristique = influence de la caractéristique

  • StandardScaler transforme chaque caractéristique pour avoir une moyenne 0 et une variance 1

  • On dit que les caractéristiques sont « standardisées »

Nuage de points : od280 normalisé vs proline normalisé

Unsupervised Learning in Python

StandardScaler de sklearn

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

scaler.fit(samples)
StandardScaler(copy=True, with_mean=True, with_std=True)

samples_scaled = scaler.transform(samples)
Unsupervised Learning in Python

Méthodes similaires

  • StandardScaler et KMeans ont des méthodes similaires

  • Utilisez fit() / transform() avec StandardScaler

  • Utilisez fit() / predict() avec KMeans

Unsupervised Learning in Python

StandardScaler, puis KMeans

  • Deux étapes : StandardScaler, puis KMeans

  • Utilisez un pipeline sklearn pour enchaîner plusieurs étapes

  • Les données passent d'une étape à la suivante

Unsupervised Learning in Python

Les pipelines enchaînent plusieurs étapes

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
scaler = StandardScaler()
kmeans = KMeans(n_clusters=3)

from sklearn.pipeline import make_pipeline

pipeline = make_pipeline(scaler, kmeans)

pipeline.fit(samples)

Pipeline(steps=...)

labels = pipeline.predict(samples)
Unsupervised Learning in Python

La standardisation améliore le groupement

Avec la standardisation des caractéristiques :

varieties  Barbera  Barolo  Grignolino
labels                                
0                0      59           3
1               48       0           3
2                0       0          65

Sans standardisation des caractéristiques, c'était très mauvais :

varieties  Barbera  Barolo  Grignolino
labels                                
0               29      13          20
1                0      46           1
2               19       0          50
Unsupervised Learning in Python

Étapes de prétraitement sklearn

  • StandardScaler est une étape de « prétraitement »

  • MaxAbsScaler et Normalizer en sont d'autres exemples

Unsupervised Learning in Python

Passons à la pratique !

Unsupervised Learning in Python

Preparing Video For Download...