מתודת fit

שיעור 10 מתוך 19 בקורס מבוא ללמידת מכונה של Coddy.

אתגר

קשה

ממשו את המתודה fit ואת find_cluster_centroid. המתודה find_cluster_centroid מוצאת את המרכז של רשימת נקודות נתונה (אשכול). ההוראות למציאת המרכז מופיעות בשיעור הקודם. כדי לממש את fit, פעלו לפי ההוראות הבאות:

אתחול המרכזים: תחילה, בחרו k נקודות מתוך מערך הנתונים שישמשו כמרכזים ראשוניים. כדי לעבור את מקרי הבדיקה, בחרו את הנקודות ה־3, ה־5, ה־7, ה־9, … כמרכזים הראשוניים (בהתאם ל־k נקודות)
שיוך לאשכולות: עבור כל נקודה במערך הנתונים, מצאו את המרכז הקרוב ביותר (באמצעות מדדי מרחק כגון המרחק האוקלידי) ושייכו את הנקודה לאותו אשכול.
עדכון המרכזים: לאחר שכל הנקודות שויכו לאשכולות, חשבו מחדש את המרכזים על ידי חישוב הממוצע של כל הנקודות בכל אשכול.
חזרה על שלבים 2 ו־3: חזרו על השלבים שלעיל עד שהמרכזים מפסיקים להשתנות באופן משמעותי. אם המרחק בין המרכז החדש למרכז הקודם קטן מ־0.01, עצרו

כיצד לעבור את מקרי הבדיקה:

שמרו את המרכזים במשתנה self.centroids.
לאחר שמצאתם מרכזים חדשים, אם המרחק הכולל בין המרכזים החדשים לקודמים קטן מ־0.01, השאירו את המרכזים הקודמים.
סדר המרכזים חשוב. עברו תמיד על המרכזים מההתחלה ועד הסוף.
מקרי הבדיקה ידפיסו את self.centroids ויאמתו שהם נכונים.

נסו בעצמכם

def euclidian_distance(point_a, point_b):
    return (sum([(point_a[i] - point_b[i])**2 for i in range(len(point_a))]))**0.5


    
class KMeans:
    def __init__(self, k):
        self.k = k

    def find_cluster_centroid(self, cluster_points):
    # כתבו כאן את הקוד שלכם

    def fit(self, X_train):
        # כתבו כאן את הקוד שלכם
        self.centroids = ...
    
    def predict(self, X_test):
        pass