聚类前进行缩放

本课属于 Coddy Machine Learning 学习旅程的“无监督学习”单元。第 9 课，共 51 课。

K-means 根据距离进行分组，因此数值范围最大的单位会起主导作用。用体重（克）和年龄（年）对收容所里的猫进行分组：500 克的差距会盖过 10 年的差距。

两张图展示了 120 只收容所里的猫，横轴为年龄（年），纵轴为体重（克）。左图为对原始数据进行聚类：成年猫按体重分成不同组，年轻和年长的猫混在一起。右图为缩放后进行聚类：幼猫、成年猫和老年猫按年龄分组

先进行标准化，就像 k-NN 一样，这样每个特征的权重相同：

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(...)) 可以在一个模型中完成这两步。然后用实际单位读取每个组：对其原始行求平均值，X[km.labels_ == c].mean(axis=0)。

挑战

简单

一款找房应用按租金和到车站的距离对 100 套房源进行分组。初始代码直接对原始列进行聚类，结果所有组到车站的距离都在 3 km 左右：美元数值远大于公里数值。

使用 StandardScaler 对这两列进行缩放。
改为对缩放后的行进行聚类。保留报告代码：它会用实际单位显示每个组的数据。

换一座城市时：

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

亲手试试

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

# 每套公寓占一行：月租以美元计，到车站的距离以 km 计
flats = pd.read_csv("flats.csv")
X = flats[["rent", "station_km"]]

# 这里直接用原始列进行聚类：请修正
km = KMeans(n_clusters=3, n_init=10, random_state=0)
km.fit(X)

# 按实际单位输出每组的数据，人数最多的组排在前面
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")