<Course> Machine learning Chapitre 6: Algorithme 2 (k-means)

Apprentissage automatique

table des matières Chapitre 1: Modèle de régression linéaire [Chapitre 2: Modèle de régression non linéaire] (https://qiita.com/matsukura04583/items/baa3f2269537036abc57) [Chapitre 3: Modèle de régression logistique] (https://qiita.com/matsukura04583/items/0fb73183e4a7a6f06aa5) [Chapitre 4: Analyse des composants principaux] (https://qiita.com/matsukura04583/items/b3b5d2d22189afc9c81c) [Chapitre 5: Algorithme 1 (méthode de voisinage k (kNN))] (https://qiita.com/matsukura04583/items/543719b44159322221ed) [Chapitre 6: Algorithme 2 (k-means)] (https://qiita.com/matsukura04583/items/050c98c7bb1c9e91be71) [Chapitre 7: Support Vector Machine] (https://qiita.com/matsukura04583/items/6b718642bcbf97ae2ca8)

Chapitre 6: Algorithme 2 (k-means)

Qu'est-ce que k-means?

• Apprentissage non supervisé
• Méthode de clustering
• Clustering ・ ・ ・ Regrouper des choses avec des caractéristiques similaires
• Classer les données données en k clusters

algorithme k-means

• Définissez la valeur initiale pour chaque centre de cluster
• Pour chaque point de données, calculez la distance à chaque centre de cluster et attribuez le cluster le plus proche
• Calculer le vecteur moyen (centre) de chaque cluster
• Répétez quelques étapes jusqu'à ce qu'il converge
• Procédure
• Définissez la valeur initiale pour chaque centre de cluster
• Pour chaque point de données, calculez la distance à chaque centre de cluster et attribuez le cluster le plus proche
• Calculer le vecteur moyen (centre) de chaque cluster
• Répéter la réaffectation du cluster et la mise à jour du centre
• Changer la valeur initiale du centre peut changer le résultat du clustering La modification de la valeur de + k modifie le résultat du clustering

(Pratique) Classer en 3 groupes en utilisant des k-moyennes

#https://datahexa.com/kmeans-clustering-with-wine-dataset/référence
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

résultat

y=wine.target
y.shape

résultat

(178,)

wine.target_names

résultat

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)

résultat

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'])

Sites connexes Chapitre 1: Modèle de régression linéaire [Chapitre 2: Modèle de régression non linéaire] (https://qiita.com/matsukura04583/items/baa3f2269537036abc57) [Chapitre 3: Modèle de régression logistique] (https://qiita.com/matsukura04583/items/0fb73183e4a7a6f06aa5) [Chapitre 4: Analyse des composants principaux] (https://qiita.com/matsukura04583/items/b3b5d2d22189afc9c81c) [Chapitre 5: Algorithme 1 (méthode de voisinage k (kNN))] (https://qiita.com/matsukura04583/items/543719b44159322221ed) [Chapitre 6: Algorithme 2 (k-means)] (https://qiita.com/matsukura04583/items/050c98c7bb1c9e91be71) [Chapitre 7: Support Vector Machine] (https://qiita.com/matsukura04583/items/6b718642bcbf97ae2ca8)