0 dní v řadě · 0 bodů

Tahák · Python · Strojové učení

Shlukování a PCA

Jak najít skupiny a směry v datech, ke kterým nikdo nepřipsal správnou odpověď. K-means ručně, výběr počtu shluků, DBSCAN a PCA od dvou rozměrů po číslice.

Otevřít celou lekciVšechny taháky
python
# k-means ručně
d = np.linalg.norm(body[:, None] - stredy[None], axis=2)
stitky = d.argmin(axis=1)
stredy = np.array([body[stitky == j].mean(axis=0) for j in range(k)])

# scikit-learn
KMeans(k, n_init=10, random_state=0).fit(X)   # .labels_, .cluster_centers_, .inertia_
silhouette_score(X, labels)                    # -1 .. 1, výš je lépe
DBSCAN(eps=0.3, min_samples=5).fit_predict(X)  # -1 = šum, k zadávat nemusíš
adjusted_rand_score(y_pravda, labels)          # 1 = shoda se štítky

# PCA ručně
Xc = X - X.mean(axis=0)
U, s, Vt = np.linalg.svd(Xc, full_matrices=False)
podil = s**2 / np.sum(s**2)
Z = Xc @ Vt[:2].T                              # souřadnice v prvních dvou komponentách

# PCA ve scikit-learn
PCA(n_components=0.95)                          # tolik komponent, aby zbylo 95 % rozptylu
make_pipeline(StandardScaler(), PCA(20), model) # učí se jen na trénovací části