Die Gruppen benennen

Teil des Abschnitts Unüberwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 46 von 51.

Cluster haben Zahlen, keine Namen. Jetzt kannst du die Bezeichnungen verwenden: Eine Kreuztabelle zählt, welche Ziffern in jedem Cluster gelandet sind, wie diese 1er, 7er und 9er in 3 Clustern:

Eine 3-mal-3-Tabelle mit Häufigkeiten, Cluster untereinander und die Ziffern 1, 7 und 9 nebeneinander. Die größte Zahl jeder Zeile ist eingerahmt: Cluster 0 enthält 166 Neunen, Cluster 1 176 Siebener, Cluster 2 154 Einsen

Benenne jeden Cluster nach seiner häufigsten Ziffer. Die Scans dieser Ziffer zählen als richtig zugeordnet:

ct = pd.crosstab(km.labels_, y)
names = ct.idxmax(axis=1)      # die größte Spalte jeder Zeile
right = ct.max(axis=1).sum()
print(names.tolist(), right)

Dies gibt [9, 7, 1] 496 aus: 496 von 541 Scans wurden von Gruppen ohne einziges Label als rechts bezeichnet.

Aufgabe

Mittel

Benenne deine 10 Cluster. Im Startercode ist km enthalten, das ohne Labels trainiert wurde; jetzt darfst du die Ziffern in y verwenden.

Erstelle eine Kreuztabelle der Cluster gegen y und benenne jedes Cluster nach der Ziffer, die darin am häufigsten vorkommt.
Gib die Cluster in der Reihenfolge ihrer Namen aus: die Anzahl der Scans, die korrekt benannt wurden, ihre Größe und ihren korrekt benannten Anteil als ganze Prozentzahl.
Gib insgesamt die Anzahl der korrekt benannten Scans aus, den Prozentwert mit 1 Dezimalstelle.

Für 5 Cluster:

Cluster named 0: 175 of 177 scans (99%)
Cluster named 2: 160 of 367 scans (44%)
Cluster named 3: 168 of 531 scans (32%)
Cluster named 6: 179 of 359 scans (50%)
Cluster named 7: 176 of 363 scans (48%)
Named right without labels: 858 of 1797 scans (47.7%)

Welches deiner Cluster ist am schwächsten, und was verbirgt sich darin?

Probier es selbst

import pandas as pd
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

# Aus „Schau dir die Ziffern an“: 1,797 Scans mit 64 Pixeln, Tintenwerte von 0 bis 16
digits = load_digits()
X = digits.data
y = digits.target

# Aus „Mit PCA verkleinern“: 80% der Varianz in 13 Zahlen pro Scan
pca = PCA(n_components=0.8)
X_small = pca.fit_transform(X)

# Aus „Die Ziffern clustern“: 10 Cluster, ohne Labels gefunden
km = KMeans(n_clusters=10, n_init=10, random_state=0).fit(X_small)

# Schreibe deinen Code unten