Rakamları Kümele

Coddy'nin Machine Learning Journey'sinin Denetimsiz Öğrenme bölümünün bir parçası. Ders 45 / 51.

Şimdi keşif. Bulmasını umduğun her rakam için bir tane olmak üzere, 13 sayılık taramalarda 10 grup oluşturmasını k-means’ten iste. Hiçbir etiketi görmez:

km = KMeans(n_clusters=10, n_init=10, random_state=0).fit(X_small)

Bir merkez, k-means'in çalıştığı yerde, PCA uzayında bulunur: 13 sayı, resim yok. pca.inverse_transform bu merkezi 64 piksel olarak yeniden oluşturur:

Solda, bir k-means merkezinin 13 sayısını gösteren bir çubuk grafik; önce iki uzun çubuk, ardından küçük çubuklar. Sağda, aynı merkezin 0'a benzeyen bulanık, 8'e 8 boyutlarında bir resim olarak yeniden oluşturulmuş hâli

value_counts() kümeleri en büyükten başlayarak listeler; böylece merkezlerden oluşan bir galeri, taramaların sayımı gibi okunur.

Görev

Orta

Başlangıç dosyası taramaları ve bunların 13 sayıya indirgenmiş sürümleri olan X_small öğesini içerir.

X_small içinde k-means ile 10 küme bul.
Her merkezin 64 pikselini yeniden oluştur.
En büyük küme önce gelecek şekilde 2'ye 5'lik bir galeri çiz: her merkezi gray_r ile 8'e 8'lik bir resim olarak göster ve 120 scans gibi küme büyüklüğüyle başlıklandır. Düzeni toparla ve göster.

5 küme ile şöyle görünürdü:

Bir sıra hâlinde, başlıklarında 531, 367, 363, 359 ve 177 tarama yazan beş bulanık rakam merkezi

Sende on tane var. Coddy her grafiği açıklıyor. k-means kendi başına hangi rakamları buldu?

Kendin dene

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

# Look at the Digits bölümünden: 64 piksellik 1,797 tarama, mürekkep değerleri 0 ile 16 arasında
digits = load_digits()
X = digits.data
y = digits.target

# Shrink with PCA bölümünden: Varyansın 80%'i, tarama başına 13 sayıyla temsil ediliyor
pca = PCA(n_components=0.8)
X_small = pca.fit_transform(X)

# Kodunuzu aşağıya yazın