العناقيد مقابل التسميات المعروفة

جزء من قسم التعلّم غير الخاضع للإشراف في رحلة Machine Learning على Coddy. الدرس 13 من 51.

عندما تكون التسميات موجودة لكن k-means لم يرها قط، تحقّق مما وجده: يحصي pd.crosstab كل زوج من العناقيد والتسميات.

labels = KMeans(n_clusters=3, n_init=10, random_state=0).fit_predict(X)
print(pd.crosstab(labels, kind))

بالنسبة إلى 150 حبة قهوة من 3 أنواع، جُمِّعت حسب الطول ومحتوى الكافيين: صف واحد لكل عنقود، وعمود واحد لكل نوع:

جدول 3 × 3 للأعداد، العناقيد في الصفوف وأنواع القهوة في الأعمدة: أرابيكا، ليبيريكا، روبوستا. يضم العنقود 0 عدد 49 حبة روبوستا؛ ويضم العنقود 1 عدد 48 حبة أرابيكا و3 حبات ليبيريكا وحبة روبوستا واحدة؛ ويضم العنقود 2 عدد 47 حبة ليبيريكا وحبتين من أرابيكا

تتكوّن كل مجموعة في معظمها من نوع واحد؛ ولم ينحرف سوى 6 حبات. ولم يرَ k-means أيّ تصنيف.

لكن العناقيد ليست فئات. يعني التطابق الوثيق أن الفئات تختلف في البيانات. أما التطابق الضعيف فهو نتيجة، وليس خطأً برمجيًا.

التحدي

متوسط

هل تعثر عناقيد k-means على أنواع زهرة السوسن؟ يقيّس البرنامج الابتدائي الأزهار، ويحتفظ بأسمائها في species، ويقرأ k ثم يجمعها في عناقيد.

أنشئ جدولًا تقاطعيًا للعناقيد مقابل الأنواع.
لكل نوع، اطبع أكبر عدد له في عنقود واحد، من إجماليه.
احسب عدد العناقيد التي تضم نوعًا واحدًا فقط.

لحديقة أخرى و k = 3:

setosa: 48 of 50 share a cluster
versicolor: 41 of 50 share a cluster
virginica: 33 of 50 share a cluster
Clusters with one species: 0 of 3

جرّب بنفسك

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

# 150 زهرة سوسن، بياناتها مُقيسة، واسم نوع كل منها مخفي عن k-means
iris = load_iris()
X = StandardScaler().fit_transform(iris.data)
species = iris.target_names[iris.target]

k = int(input())
labels = KMeans(n_clusters=k, n_init=10, random_state=0).fit_predict(X)

# اكتب شيفرتك أدناه