Câte clustere?

Analiza clusterelor în Python

Shaumik Daityari

Business Analyst

Cum se găsește k-ul corect?

  • Nu există o metodă absolută pentru a găsi numărul corect de clustere (k) în k-means
  • Metoda cotului

Analiza clusterelor în Python

Distorsiunea revizuită

  • Distorsiune: suma pătratelor distanțelor punctelor față de centrele clusterelor
  • Scade pe măsură ce numărul de clustere crește
  • Devine zero când numărul de clustere egalează numărul de puncte
  • Grafic cot: grafic liniar între centrele clusterelor și distorsiune

Analiza clusterelor în Python

Metoda cotului

  • Grafic cot: grafic al numărului de clustere și al distorsiunii
  • Graficul cot indică numărul de clustere prezente în date
Analiza clusterelor în Python

Metoda cotului în Python

# Declaring variables for use
distortions = []

num_clusters = range(2, 7)

# Populating distortions for various clusters
for i in num_clusters:
    centroids, distortion = kmeans(df[['scaled_x', 'scaled_y']], i)
    distortions.append(distortion)

# Plotting elbow plot data
elbow_plot_data = pd.DataFrame({'num_clusters': num_clusters,
                                'distortions': distortions})

sns.lineplot(x='num_clusters', y='distortions', 
             data = elbow_plot_data)
plt.show()
Analiza clusterelor în Python

Analiza clusterelor în Python

Concluzii privind metoda cotului

  • Oferă doar o indicație privind k optim (numărul de clustere)
  • Nu identifică întotdeauna cu precizie k (numărul de clustere)
  • Alte metode: silhouette mediu și statistică gap
Analiza clusterelor în Python

Urmează: exerciții

Analiza clusterelor în Python

Preparing Video For Download...