K-means Clustering ist ein sehr einfacher und aufschlussreicher Ansatz, um Rückschlüsse auf die Ähnlichkeiten der gruppierten Cluster zu ziehen. Es ist unbeaufsichtigtes Lernen, bei dem wir keine Ausgabeetiketten haben. Wenn wir über Regressions-, Klassifizierungs- und Clustering-Algorithmen sprechen, wird die Regression hauptsächlich verwendet, um etwas basierend auf dem Wachstum von etwas, Wettervorhersage usw. basierend auf hauptsächlich numerischen Werten vorherzusagen. Auf der anderen Seite sind die Lernenden manchmal ein wenig verwirrt in Bezug auf Klassifizierung und Clustering. Der einfache Unterschied besteht darin, dass Clustering keine Etikettenausgabe hat, sondern Ähnlichkeiten aufweist und die Klassifizierung mit bekannten Ausgabeetiketten funktioniert, um sie in die Gruppe aufzunehmen.

Clustering-Algorithmen sind weniger komplex als die Klassifizierung. Während wir bei der Klassifizierung Daten trainieren und testen und beim Clustering, brauchen wir sie nicht. Die Punkte, die zu beachten sind, wenn kein Zugtest durchgeführt wird, werden beim Clustering aufgeteilt.

• Wir analysieren anhand von Datenpunkten Ähnlichkeiten.
• Der Testfehler besteht eher darin, eine große Anzahl von Clustern zu platzieren, dh den Schwerpunkt jedes Clusters.
• K-Mittel-Metriken wählen den Cluster so aus, dass die Trägheit gering sein sollte. Hier bedeutet Trägheit die Summe der Quadrate der Datenpunkte innerhalb der Cluster (WCSS).

• Das Trägheitsdenken ist sehr schnell und nicht zuverlässig, dh es wird angenommen, dass Gruppenähnlichkeiten isotrop und konvex sind. Das Isotrop bedeutet eine einheitliche Form und konvex bedeutet, dass sich die Datenpunkte mehr in der Mitte und weniger an der Grenze des Clusters befinden. Die realen Daten arbeiten jedoch nicht mit diesen Annahmen, ihre Form und Gleichmäßigkeit ändern sich, es kann sich um eine unregelmäßige Form handeln, die auf einer Seite verlängert ist.
• Normalisierung von Datensatzwerten. Dies bedeutet, dass der niedrige Trägheitswert gut ist. In der realen Welt messen wir jedoch die Datenpunktentfernung für Cluster (entweder durch euklidische oder Manhattan-Entfernungsmessung), die aufgeblasen werden kann. Ein Begriff, der dafür verwendet wird, ist "Fluch der Dimensionalität". Wenn es große Abweichungen bei den Datenpunkten gibt, sollten wir die PCA und die Normalisierung der Datenpunkte durchführen.

• Bei Bedarf Funktionen auswählen.
• Initialisieren Sie Cluster mit einer Nummer.
• Passen Sie die Daten an.
• Sagen Sie das Anpassungsmodell voraus.
Vollständig erklärte logistische Regression mit Python

Schritt 1: Laden Sie die erforderlichen Bibliotheken

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

dataset=pd.read_csv('Customers.csv')
dataset.head()

      

       The view of Data set. A photo by Author
      

dataset.shape
#output:
(200, 5)

#elbow method to find the number of clusters
from sklearn.cluster import KMeans
wcss=[]
for i in range(1,11):
    kmeans=KMeans(n_clusters=i, init='k-means++',random_state=0)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)
plt.plot(range(1,11),wcss)
plt.title('The Elbow Method')
plt.xlabel('Number of Clusters')
plt.ylabel('WCSS')
plt.show()

      

       Elbow method graph. A photo by Author
      

Schritt 4: Passen Sie die Daten mit der richtigen Anzahl von Clustern an

#Fitting K-MEans to the dataset
kmeans=KMeans(n_clusters=5,init='k-means++',random_state=0)
y_kmeans=kmeans.fit_predict(X)

Schritt 5: Visualisieren Sie die Cluster

#Visualize the clusters
plt.scatter(X[y_kmeans==0,0],X[y_kmeans==0,1],s=100,c='red',label=
             'Cluster1')
plt.scatter(X[y_kmeans==1,0],X[y_kmeans==1,1],s=100,c='blue',label=
              'Cluster2')
plt.scatter(X[y_kmeans==2,0],X[y_kmeans==2,1],s=100,c='green',label=
              'Cluster3')
plt.scatter(X[y_kmeans==3,0],X[y_kmeans==3,1],s=100,c='cyan',label=
              'Cluster4')
plt.scatter(X[y_kmeans==4,0],X[y_kmeans==4,1],s=100,c='magenta',
               label='Cluster5')
plt.scatter(kmeans.cluster_centers_[:,0],kmeans.cluster_centers_[:,1
             ],s=300,c='yellow',label='Centroids')
plt.title('Clusters of customers')
plt.xlabel('Annual Income(K$)')
plt.ylabel('Spending Score(1-100)')
plt.legend()
plt.show()

      

       Clusters of customers. A photo by Author
      

Werden Sie 2021 mit den folgenden Schritten Data Scientist

Fazit:

Die Clustering-Methode ist ein sehr nützlicher Algorithmus, um wertvolle Erkenntnisse vorherzusagen. Obwohl ich auf einen Algorithmus gestoßen bin, der Ausreißerdaten in großen Datenmengen besser verarbeitet, lautet der Name dieses Algorithmus BIRCH in Clustering.

Erreiche mich auf meinem LinkedIn

Empfohlene Artikel

1. NLP - Zero to Hero mit Python

3. MySQL: Zero to Hero

4. Grundlagen von Zeitreihen mit Python

5. NumPy: Zero to Hero mit Python

6. Grundlagen von Serien und Datenrahmen in Pandas mit Python