Dai un nome ai gruppi

Fa parte della sezione Apprendimento non supervisionato del percorso Machine Learning di Coddy. Lezione 46 di 51.

I cluster hanno numeri, non nomi. Ora puoi usare le etichette: una tabella a doppia entrata conta quali cifre sono finite in ciascun cluster, come questi 1, 7 e 9 in 3 cluster:

Una tabella 3 per 3 di conteggi, con i cluster in verticale e le cifre 1, 7 e 9 in orizzontale. Il conteggio più alto di ogni riga è riquadrato: il cluster 0 contiene 166 nove, il cluster 1 176 sette, il cluster 2 154 uno

Dai a ciascun gruppo il nome della cifra più frequente. Le occorrenze di quella cifra vengono considerate correttamente classificate:

ct = pd.crosstab(km.labels_, y)
names = ct.idxmax(axis=1)      # la colonna con il valore più alto di ogni riga
right = ct.max(axis=1).sum()
print(names.tolist(), right)

Questo stampa [9, 7, 1] 496: 496 delle 541 scansioni denominate correttamente, per gruppi individuati senza una singola etichetta.

Sfida

Medio

Dai un nome ai tuoi 10 cluster. Il codice iniziale include km, addestrato senza etichette; ora puoi usare le cifre in y.

Crea una tabella incrociata dei cluster rispetto a y e assegna a ogni cluster il nome della cifra più frequente.
In ordine alfabetico dei nomi, stampa per ogni cluster il numero di scansioni a cui è stato assegnato il nome corretto, la sua dimensione e la percentuale di assegnazioni corrette, come percentuale intera.
Stampa il numero totale di scansioni a cui è stato assegnato il nome corretto, con la percentuale arrotondata a 1 cifra decimale.

Per 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%)

Quale dei tuoi cluster è il più debole e cosa nasconde?

Provalo tu

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

# Da Osserva le cifre: 1,797 scansioni di 64 pixel, intensità dell'inchiostro da 0 a 16
digits = load_digits()
X = digits.data
y = digits.target

# Da Riduci con PCA: 80% della varianza in 13 numeri per scansione
pca = PCA(n_components=0.8)
X_small = pca.fit_transform(X)

# Da Raggruppa le cifre: 10 gruppi individuati senza etichette
km = KMeans(n_clusters=10, n_init=10, random_state=0).fit(X_small)

# Scrivi il tuo codice qui sotto