डिफरेंशियली प्राइवेट क्लस्टरिंग मॉडल

Python में डेटा प्राइवेसी और अज्ञातिकरण

Rebeca Gonzalez

Data engineer

मॉडलों की तुलना

नॉन-प्राइवेट k-means से क्लस्टरिंग के बाद डेटा में 3 क्लस्टर दिखाती छवि

प्राइवेट k-means से क्लस्टरिंग के बाद डेटा में 3 क्लस्टर दिखाती छवि

मॉडलों की तुलना

दो क्लस्टरिंग परिणामों के बीच अंतर गुलाबी बिंदुओं के रूप में दिखाने वाली छवि

मॉडलों के परिणामस्वरूप क्लस्टरों का अंतर
ज़्यादातर बिंदु दोनों में समान हैं

डिफरेंशियली प्राइवेट क्लस्टरिंग मॉडल बनाना

from diffprivlib.models import KMeans


# DP मॉडल से क्लस्टर निकालना
model = KMeans(epsilon=1, n_clusters=3)


# मॉडल चलाएँ और क्लस्टर पाएँ
clusters = model.fit_predict(X)

DP क्लस्टरिंग मॉडल सुधारें

क्लस्टरिंग से पहले डेटा को प्री-प्रोसेस कर सकते हैं।
StandardScaler जैसी फीचर स्केलिंग और PCA जैसी डाइमेंशनेलिटी रिडक्शन।
- मॉडल की inertia घटाने के लिए
- अधिक सटीक सेगमेंटेशन समूह पाने के लिए
यह diffprivlib में वैसे ही करें जैसे sklearn मॉडलों में करते हैं।

DP क्लस्टरिंग मॉडल सुधारें

from sklearn.decomposition import PCA


# PCA प्रारंभ करें
pca = PCA()


# PCA से डेटा fit-transform करें
X = pca.fit_transform(X)


# DP मॉडल से क्लस्टर निकालना
model = dp_Kmeans(epsilon=1, n_clusters=3)


# मॉडल चलाएँ और क्लस्टर पाएँ
clusters = model.fit_predict(X)

DP क्लस्टरिंग मॉडल सुधारें

क्लस्टरों वाले दो स्कैटर प्लॉट दिखाने वाली छवि

DP क्लस्टरिंग मॉडल सुधारें

डेटा ट्रांसफॉर्मेशन से परिणाम बेहतर हुए

Elbow method

डेटा पर elbow method लगाने के बाद प्राप्त प्लॉट की छवि

Epsilon

from diffprivlib.models import KMeans as model


# DP मॉडल से क्लस्टर निकालना
model = dp_Kmeans(epsilon=0.2, n_clusters=3)


# मॉडल चलाएँ और क्लस्टर पाएँ
clusters = model.fit_predict(X)

Epsilon

क्लस्टरों वाले दो स्कैटर प्लॉट दिखाने वाली छवि

अभ्यास करते हैं!

Python में डेटा प्राइवेसी और अज्ञातिकरण