Podsumowanie: degustacja herbaty

Część sekcji Uczenie nienadzorowane ścieżki Machine Learning w Coddy. Lekcja 15 z 51.

Wyzwanie

Średni

Klub herbaciany spróbował 66 herbat. Plik teas.csv zawiera informacje o sposobie parzenia każdej z nich, trzy oceny smaku i znany typ. Czy same liczby pozwolą znaleźć typy?

Przeskaluj pięć features i podziel herbaty na 3 grupy za pomocą k-średnich.
Scharakteryzuj klastry w rzeczywistych jednostkach, posortuj je według temperatury parzenia i nadaj im nazwy z names w tej kolejności, tak jak odwiedzającym park rozrywki.
Porównaj wyniki ze znanymi typami: wyświetl rozmiar każdego klastra, temperaturę, czas parzenia oraz jego najczęstszy typ wraz z liczbą wystąpień.

Dla innego klubu:

Delicate: 18 teas, 77°C for 2.5 min, mostly green (15)
Balanced: 25 teas, 87°C for 3.4 min, mostly oolong (20)
Bold: 23 teas, 96°C for 4.8 min, mostly black (22)

Spróbuj swoich sił

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

# 66 herbat spróbowanych przez klub miłośników herbaty: sposób ich parzenia, trzy oceny smaku od 1 do 10 oraz ich rodzaj
teas = pd.read_csv("teas.csv")
features = ["brew_temp_c", "steep_min", "bitterness", "floral", "malty"]

# Nazwy klastrów, od najniższej do najwyższej temperatury parzenia
names = ["Delicate", "Balanced", "Bold"]

# Napisz swój kod poniżej