אפיון אשכולות

חלק מהיחידה למידה בלתי מונחית במסלול ה-Machine Learning של Coddy. שיעור 11 מתוך 51.

הפרק הזה הופך מספרי אשכולות לקבוצות שאנשים יכולים להשתמש בהן. בסופו, לכל אשכול יהיה שם:

120 מבקרים בפארק שעשועים כנקודות, שעות בפארק על הציר האופקי ומספר המתקנים שבהם ביקרו על הציר האנכי, בשלוש קבוצות ששמן מופיע במקרא: חובבי ריגושים גבוה מימין, משפחות באמצע ומבקרים לזמן קצר נמוך משמאל

מספר כמו 2 לא אומר כלום. הפרופיל שלו כן: הממוצע של כל תכונה בתוך האשכול. הוסיפו את התוויות כעמודה, ואז קבצו:

park["cluster"] = km.labels_
print(park.groupby("cluster").mean().round(1))

הפעולה הזו מדפיסה שורה אחת לכל אשכול:

         hours  rides   age
cluster
0          6.0    6.2  38.4
1          2.4    3.0  45.8
2          6.8   13.9  20.7

עכשיו קראו את השורות כמילים. אשכול 2 צעיר, נשאר 7 שעות ונוסע ב-14 מתקנים: מחפשי ריגושים. אשכול 1 עוזב מוקדם: מבקרים לזמן קצר.

אתגר

בינוני

בר קריוקי רוצה להכיר את האורחים שלו. קוד הפתיחה מחלק אותם ל־3 אשכולות; names מכיל שם לכל אשכול, מהאשכול עם הכי מעט ביקורים בחודש ועד לזה עם הכי הרבה.

הוסף את התוויות ל־guests בתור עמודת cluster.
אפיין את האשכולות: הממוצעים שלהם ומספר האורחים בכל אחד, ממוינים לפי visits_month.
הדפס שורה אחת לכל אשכול, עם השם שלו והממוצעים בדיוק של ספרה אחת אחרי הנקודה.

עבור בר אחר:

Once in a while: 30 guests, 1.4 visits a month, 2.5 songs, 3.2 hours
Regulars: 45 guests, 3.0 visits a month, 4.6 songs, 2.0 hours
Superfans: 15 guests, 7.4 visits a month, 9.2 songs, 2.8 hours

נסו בעצמכם

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

# 110 אורחים בבר קריוקי: visits a month, שירים לביקור, שעות לביקור
guests = pd.read_csv("karaoke.csv")
scaled = StandardScaler().fit_transform(guests)
km = KMeans(n_clusters=3, n_init=10, random_state=0)
km.fit(scaled)

# שמות הקבוצות, ממספר הביקורים החודשיים הנמוך ביותר לגבוה ביותר
names = ["Once in a while", "Regulars", "Superfans"]

# כתבו את הקוד שלכם למטה