两种细胞

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

实验室测量了 569 个组织样本，每个样本有 30 项细胞测量数据。数量太多，无法绘图，也没人能看出其中的规律：

一个由 24 个样本和 30 项测量组成的网格，每个单元格按数值从低到高以蓝色到红色着色，拼成一幅看不出明显规律的拼图

每个样本的诊断结果（良性或恶性）都封存在信封里。没有这些信息，细胞能把自己分成两类吗？

用 PCA 将 30 个测量值降维，对剩下的数据进行聚类，然后再打开信封，看看这些细胞聚得有多近。

挑战

困难

程序会读取要保留的方差比例，该值至少为 0.7；起始代码会设置图表。

先进行缩放，再保留能达到该比例的最少组件。打印组件数量以及它们保留的方差比例。
使用 k-means 对这些组件进行聚类：k = 2，n_init=10，random_state=0。
打开信封：按每个簇的大小从大到小，打印其中的诊断结果和多数诊断。然后打印一致率，也就是与各自簇的多数诊断相符的样本比例。
按簇绘制前两个组件的散点图，标签为 mostly benign 或 mostly malignant；显示图例并展示图表。

对于前 300 个样本，比例为 0.8 时：

Components for 80% of the variance: 5 (they keep 0.844)
Cluster of 175: 146 benign, 29 malignant, so mostly benign
Cluster of 125: 8 benign, 117 malignant, so mostly malignant
Agreement with the diagnosis: 0.877

对应的图表：

前 300 个样本在前两个组件上的分布：左侧是以良性样本为主的簇，右侧是向外扩展的以恶性样本为主的簇，并带有图例

接下来，Coddy 会描述你的图表。

亲手试试

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

# 569 个组织样本，每个样本有 30 项细胞测量值
cancer = load_breast_cancer(as_frame=True)
cells = cancer.data
# 密封的信封：每个样本是良性还是恶性。最后再打开。
diagnosis = pd.Series(cancer.target_names[cancer.target])

# 要保留的方差比例，至少为 0.7
share = float(input())

fig, ax = plt.subplots()
ax.set_title("Cells on Two Components")
ax.set_xlabel("Component 1")
ax.set_ylabel("Component 2")

# 在下方编写你的代码