Kümeler ve Bilinen Etiketler

Coddy'nin Machine Learning Journey'sinin Denetimsiz Öğrenme bölümünün bir parçası. Ders 13 / 51.

Etiketler mevcut olduğu hâlde k-means bunları hiç görmediyse, ne bulduğunu kontrol et: pd.crosstab her küme ve etiket çiftini sayar.

labels = KMeans(n_clusters=3, n_init=10, random_state=0).fit_predict(X)
print(pd.crosstab(labels, kind))

Uzunluk ve kafein miktarına göre kümelenmiş 3 türden 150 kahve çekirdeği için: her küme için bir satır, her tür için bir sütun:

Satırlarda kümeler ve sütunlarda kahve türleri olacak şekilde 3'e 3 sayım tablosu: arabica, liberica, robusta. Küme 0'da 49 robusta çekirdeği; küme 1'de 48 arabica, 3 liberica ve 1 robusta; küme 2'de 47 liberica ve 2 arabica

Her küme çoğunlukla tek bir türden oluşuyor; yalnızca 6 fasulye yanlış kümeye düştü. Ve k-means hiçbir zaman bir etiket görmedi.

Ancak kümeler sınıf değildir. Yakın eşleşme, sınıfların veriler bakımından farklı olduğu anlamına gelir. Zayıf eşleşme bir bulgudur, hata değildir.

Görev

Orta

k-means kümeleri iris türlerini buluyor mu? Başlangıç kodu çiçekleri ölçeklendirir, adlarını species içinde tutar, k değerini okur ve kümeler.

Kümeler ile türler arasında çapraz tablo oluştur.
Her tür için, tek bir kümedeki en yüksek sayıyı toplam sayısı içinden yazdır.
Tek bir tür barındıran kümeleri say.

Başka bir bahçe ve k = 3 için:

setosa: 48 of 50 share a cluster
versicolor: 41 of 50 share a cluster
virginica: 33 of 50 share a cluster
Clusters with one species: 0 of 3

Kendin dene

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

# 150 iris çiçeği, ölçeklendirilmiş verileri ve her birinin k-means algoritmasından gizlenen tür adı
iris = load_iris()
X = StandardScaler().fit_transform(iris.data)
species = iris.target_names[iris.target]

k = int(input())
labels = KMeans(n_clusters=k, n_init=10, random_state=0).fit_predict(X)

# Kodunuzu aşağıya yazın