[PYTHON] <Kurs> Maschinelles Lernen Kapitel 6: Algorithmus 2 (k-Mittel)

Maschinelles Lernen

Inhaltsverzeichnis Kapitel 1: Lineares Regressionsmodell [Kapitel 2: Nichtlineares Regressionsmodell] (https://qiita.com/matsukura04583/items/baa3f2269537036abc57) [Kapitel 3: Logistisches Regressionsmodell] (https://qiita.com/matsukura04583/items/0fb73183e4a7a6f06aa5) [Kapitel 4: Hauptkomponentenanalyse] (https://qiita.com/matsukura04583/items/b3b5d2d22189afc9c81c) [Kapitel 5: Algorithmus 1 (k-Nachbarschaftsmethode (kNN))] (https://qiita.com/matsukura04583/items/543719b44159322221ed) [Kapitel 6: Algorithmus 2 (k-Mittel)] (https://qiita.com/matsukura04583/items/050c98c7bb1c9e91be71) [Kapitel 7: Support Vector Machine] (https://qiita.com/matsukura04583/items/6b718642bcbf97ae2ca8)

Kapitel 6: Algorithmus 2 (k-Mittel)

Was ist k-bedeutet?

• Unbeaufsichtigtes Lernen
• Clustering-Methode
• Clustering ・ ・ ・ Gruppieren von Dingen mit ähnlichen Eigenschaften
• Klassifizieren Sie die angegebenen Daten in k Cluster

k-bedeutet Algorithmus

• Legen Sie den Anfangswert für jedes Clustercenter fest
• Berechnen Sie für jeden Datenpunkt die Entfernung zu jedem Clusterzentrum und weisen Sie den nächstgelegenen Cluster zu
• Berechnen Sie den durchschnittlichen Vektor (Mitte) jedes Clusters
• Wiederholen Sie einige Schritte, bis es konvergiert
• Vorgehensweise
• Legen Sie den Anfangswert für jedes Clustercenter fest
• Berechnen Sie für jeden Datenpunkt die Entfernung zu jedem Clusterzentrum und weisen Sie den nächstgelegenen Cluster zu
• Berechnen Sie den durchschnittlichen Vektor (Mitte) jedes Clusters
• Wiederholen Sie die Neuzuweisung des Clusters und die Aktualisierung des Zentrums
• Durch Ändern des Anfangswertes des Zentrums kann das Clustering-Ergebnis geändert werden Durch Ändern des Werts von + k wird das Clustering-Ergebnis geändert

(Übung) Mit k-Mitteln in 3 Cluster einteilen

#https://datahexa.com/kmeans-clustering-with-wine-dataset/Referenz
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import cluster, preprocessing, datasets

from sklearn.cluster import KMeans

wine = datasets.load_wine()
X = wine.data
X.shape

Ergebnis

y=wine.target
y.shape

Ergebnis

(178,)

wine.target_names

Ergebnis

array(['class_0', 'class_1', 'class_2'], dtype='<U7')

model = KMeans(n_clusters=3)
labels = model.fit_predict(X)
df = pd.DataFrame({'labels': labels})
type(df)

Ergebnis

pandas.core.frame.DataFrame

def species_label(theta):
    if theta == 0:
        return wine.target_names[0]
    if theta == 1:
        return wine.target_names[1]
    if theta == 2:
        return wine.target_names[2]
df['species'] = [species_label(theta) for theta in wine.target]
pd.crosstab(df['labels'], df['species'])

Verwandte Seiten Kapitel 1: Lineares Regressionsmodell [Kapitel 2: Nichtlineares Regressionsmodell] (https://qiita.com/matsukura04583/items/baa3f2269537036abc57) [Kapitel 3: Logistisches Regressionsmodell] (https://qiita.com/matsukura04583/items/0fb73183e4a7a6f06aa5) [Kapitel 4: Hauptkomponentenanalyse] (https://qiita.com/matsukura04583/items/b3b5d2d22189afc9c81c) [Kapitel 5: Algorithmus 1 (k-Nachbarschaftsmethode (kNN))] (https://qiita.com/matsukura04583/items/543719b44159322221ed) [Kapitel 6: Algorithmus 2 (k-Mittel)] (https://qiita.com/matsukura04583/items/050c98c7bb1c9e91be71) [Kapitel 7: Support Vector Machine] (https://qiita.com/matsukura04583/items/6b718642bcbf97ae2ca8)