Scala prima del clustering

Fa parte della sezione Apprendimento non supervisionato del percorso Machine Learning di Coddy. Lezione 9 di 51.

K-means raggruppa in base alla distanza, quindi prevalgono le unità più grandi. Gatti del rifugio in base al peso in grammi e all'età in anni: una differenza di 500 g sovrasta una di 10 anni.

Due grafici di 120 gatti del rifugio, età in anni sull'asse orizzontale e peso in grammi su quello verticale. A sinistra, raggruppati con i dati grezzi: i gatti adulti vengono suddivisi in base al peso, mescolando giovani e anziani. A destra, raggruppati dopo la normalizzazione: gattini, adulti e anziani, suddivisi in base all'età

Standardizza prima, come per k-NN, così ogni caratteristica conta allo stesso modo:

X_scaled = StandardScaler().fit_transform(X)
km = KMeans(n_clusters=3, n_init=10, random_state=0)
km.fit(X_scaled)

make_pipeline(StandardScaler(), KMeans(...)) fa entrambe le cose in un unico modello. Poi leggi ogni gruppo in unità originali: calcola la media delle righe originali, X[km.labels_ == c].mean(axis=0).

Sfida

Facile

Un'app per cercare appartamenti raggruppa 100 annunci in base all'affitto e alla distanza dalla stazione. Il codice iniziale raggruppa le colonne grezze e tutti i gruppi si trovano a circa 3 km di distanza: i dollari sovrastano i chilometri.

Scala le due colonne con uno StandardScaler.
Raggruppa invece le righe scalate. Mantieni il report: legge ogni gruppo in unità reali.

Per un'altra città:

38 flats: $1820 a month, 0.9 km out
33 flats: $1130 a month, 4.2 km out
29 flats: $2760 a month, 1.5 km out

Provalo tu

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

# Una fila por apartamento: alquiler mensual en dólares, distancia a la estación en km
flats = pd.read_csv("flats.csv")
X = flats[["rent", "station_km"]]

# Esto agrupa las columnas sin escalar: corrígelo
km = KMeans(n_clusters=3, n_init=10, random_state=0)
km.fit(X)

# Muestra cada grupo en unidades reales, empezando por el más grande
sizes = pd.Series(km.labels_).value_counts()
for c in sizes.index:
    group = flats[km.labels_ == c]
    print(f"{sizes[c]} flats: ${round(group['rent'].mean())} a month, {group['station_km'].mean():.1f} km out")