Zentren in realen Einheiten

Teil des Abschnitts Unüberwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 12 von 51.

Das Zentrum eines Clusters ist sein typisches Mitglied. K-means hat die Zentren des Freizeitparks in skalierten Daten ermittelt, daher lassen sie sich als z-Werte ablesen. Dieselben Zentren, davor und danach:

Zwei Diagramme der Besucher des Freizeitparks mit den drei Clusterzentren, die durch Kreuze markiert sind. Links, skalierte Achsen: Die Zentren liegen bei Zahlen wie 0.8, 1.3. Rechts, reale Einheiten: dieselben Zentren bei 6.8 Stunden und 13.9 Fahrten, 6.0 und 6.2, 2.4 und 3.0

Behalte den Scaler bei: Er merkt sich den Mittelwert und die Streuung jedes Merkmals, und inverse_transform macht die Skalierung rückgängig:

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

Dies gibt Stunden, Fahrten und Alter aus, eine Zeile pro Cluster:

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

Der Mittelpunkt von Cluster 2 lag bei 0.8 und 1.3. Jetzt entspricht er 6.8 Stunden und 13.9 Fahrten: demselben Punkt, ausgedrückt in Einheiten, die ein Mensch verwenden kann.

Aufgabe

Mittel

Ein Handschuhmacher teilt Hände in 4 Handschuhgrößen ein. Der Ausgangscode skaliert 150 Hände, gruppiert sie und liest die Hand eines Kunden in new_hand ein.

Finde den Cluster, dem die neue Hand zugeordnet wird: Skaliere sie zuerst.
Wandle die Mittelpunkte zurück in cm.
Gib den Mittelpunkt dieses Clusters mit 1 Dezimalstelle wie unten aus.

Für einen anderen Handschuhmacher:

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

Probier es selbst

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

# 150 Hände, die ein Handschuhmacher vermessen hat, in cm: Handlänge, Handflächenbreite, Mittelfingerlänge
hands = pd.read_csv("hands.csv")
scaler = StandardScaler()
scaled = scaler.fit_transform(hands)
# Ein Cluster pro Handschuhgröße
km = KMeans(n_clusters=4, n_init=10, random_state=0)
km.fit(scaled)

# Die Hand eines neuen Kunden als einzeilige Tabelle mit denselben Spalten
new_hand = pd.DataFrame({
    "hand_cm": [float(input())],
    "palm_cm": [float(input())],
    "finger_cm": [float(input())],
})

# Schreibe deinen Code unten