المراكز بوحدات حقيقية

جزء من قسم التعلّم غير الخاضع للإشراف في رحلة Machine Learning على Coddy. الدرس 12 من 51.

مركز المجموعة هو عضوها النموذجي. عثر K-means على مراكز المنتزه في البيانات المُقاسة، لذا تُقرأ على أنها درجات معيارية z. المراكز نفسها، قبل التحويل وبعده:

مخططان لزوار المنتزه الترفيهي، مع تحديد مراكز المجموعات الثلاث بعلامات ×. على اليسار، المحاور المُقاسة: تقع المراكز عند أرقام مثل 0.8 و1.3. على اليمين، الوحدات الحقيقية: المراكز نفسها عند 6.8 ساعات و13.9 لعبة، و6.0 و6.2، و2.4 و3.0

احتفظ بكائن التحجيم: فهو يتذكر متوسط كل ميزة ومدى انتشارها، وinverse_transform يعكس عملية التحجيم:

scaler = StandardScaler()
km.fit(scaler.fit_transform(park))
centers = scaler.inverse_transform(km.cluster_centers_)
print(centers.round(1))

يطبع هذا الساعات والرحلات والأعمار، صفًا واحدًا لكل عنقود:

[[ 6.   6.2 38.4]
 [ 2.4  3.  45.8]
 [ 6.8 13.9 20.7]]

كان مركز العنقود 2 عند 0.8 و1.3. والآن أصبح يمثل 6.8 ساعة و13.9 رحلة: النقطة نفسها، بوحدات يمكن للشخص استخدامها.

التحدي

متوسط

يحوّل صانع القفازات عناقيد الأيدي إلى 4 مقاسات للقفازات. يقيّس البرنامج الابتدائي 150 يدًا، ويجمّعها، ويقرأ بيانات يد أحد العملاء في new_hand.

اعثر على العنقود الذي ستنضم إليه اليد الجديدة: قيّسها أولًا.
حوّل المراكز إلى cm مرة أخرى.
اطبع مركز ذلك العنقود، بمنزلة عشرية واحدة، كما هو موضح أدناه.

بالنسبة إلى صانع قفازات آخر:

Your glove size: hand 20.3 cm, palm 8.9 cm, finger 8.6 cm

جرّب بنفسك

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# 150 يدًا قاسها صانع قفازات، بالسنتيمتر: طول اليد، عرض راحة اليد، طول الإصبع الوسطى
hands = pd.read_csv("hands.csv")
scaler = StandardScaler()
scaled = scaler.fit_transform(hands)
# مجموعة واحدة لكل مقاس قفاز
km = KMeans(n_clusters=4, n_init=10, random_state=0)
km.fit(scaled)

# يد عميل جديد، في جدول من صف واحد بالأعمدة نفسها
new_hand = pd.DataFrame({
    "hand_cm": [float(input())],
    "palm_cm": [float(input())],
    "finger_cm": [float(input())],
})

# اكتب الكود الخاص بك أدناه