מרכזים ביחידות ממשיות

חלק מהיחידה למידה בלתי מונחית במסלול ה-Machine Learning של Coddy. שיעור 12 מתוך 51.

המרכז של אשכול הוא החבר הטיפוסי בו. K-means מצא את מרכזי פארק השעשועים בנתונים שעברו תקנון, ולכן הם מוצגים כציוני z. אותם מרכזים, לפני ואחרי:

שני תרשימים של המבקרים בפארק השעשועים, עם סימון של 3 מרכזי האשכולות באמצעות צלבים. משמאל, צירים מתוקננים: המרכזים נמצאים בערכים כמו 0.8, 1.3. מימין, יחידות אמיתיות: אותם מרכזים ב-6.8 שעות ו-13.9 מתקנים, 6.0 ו-6.2, 2.4 ו-3.0

שמרו את המתאים: הוא זוכר את הממוצע והפיזור של כל תכונה, ו-inverse_transform מבטל את שינוי קנה המידה:

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

הדבר מדפיס שעות, נסיעות וגיל, שורה אחת לכל אשכול:

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

המרכז של אשכול 2 היה 0.8 ו-1.3. עכשיו הוא מציג 6.8 שעות ו-13.9 נסיעות: אותה נקודה, ביחידות שאדם יכול להשתמש בהן.

אתגר

בינוני

יצרן כפפות מחלק אשכולות של כפות ידיים ל־4 מידות כפפה. קוד הפתיחה מבצע קנה מידה ל־150 כפות ידיים, מקבץ אותן וקורא את כף היד של הלקוח אל new_hand.

מצאו לאיזה אשכול מצטרפת כף היד החדשה: תחילה בצעו לה קנה מידה.
החזירו את המרכזים ליחידות ס״מ.
הדפיסו את מרכז האשכול הזה, עם ספרה אחת אחרי הנקודה, כמו בהמשך.

עבור יצרן כפפות אחר:

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

נסו בעצמכם

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

# 150 כפות ידיים שיצרן כפפות מדד, בס"מ: אורך כף היד, רוחב כף היד, האצבע האמצעית
hands = pd.read_csv("hands.csv")
scaler = StandardScaler()
scaled = scaler.fit_transform(hands)
# אשכול אחד לכל מידת כפפה
km = KMeans(n_clusters=4, n_init=10, random_state=0)
km.fit(scaled)

# כף היד של לקוח חדש, כטבלה בעלת שורה אחת עם אותן עמודות
new_hand = pd.DataFrame({
    "hand_cm": [float(input())],
    "palm_cm": [float(input())],
    "finger_cm": [float(input())],
})

# כתבו את הקוד שלכם למטה