Implementering på Virkelig Datasett

Etter å ha øvd på K-means med testdata, kan du nå bruke det på et virkelig datasett: wine dataset. Virkelige datasett har ofte kompleksiteter som uklare klyngestrukturer og varierende skala på egenskaper, noe som gir en mer praktisk klyngeutfordring.

Du bruker funksjonen datasets.load_wine() for å laste inn dette datasettet. Wine dataset inneholder ulike attributter for forskjellige viner. Målet er å se om K-means kan finne klynger som reflekterer vinsimilariteter basert på disse attributtene.

Virkelige data krever ofte forhåndsbehandling. Skalering av egenskaper kan være nødvendig for å sikre at alle egenskaper bidrar likt til avstandsberegningene i K-means.

For å finne det optimale antallet klynger bruker du igjen:

• WSS-metoden: analyser albueplottet for ulike K-verdier. Albuer kan være mindre tydelige i virkelige data;

• Silhouette score-metoden: undersøk Silhouette-plottet og gjennomsnittsscorene for å finne beste K. Scorene kan være mer varierende enn med testdata.

Visualiseringer er nøkkelen til å forstå resultatene:

• Plotte 3 utvalgte egenskaper i et 3D-plott av wine gir oss mulighet til å visuelt inspisere datadistribusjonen i et redusert egenskapsrom, uten bruk av dimensjonsreduksjon;

• WSS-plott for å identifisere albuepunkt;

• Silhouette-plott for klyngekvalitet.

K-means-klynger visualisert i 3-egenskaps 3D-plottet av wine-dataene, som viser klyngetilhørighet i dette reduserte egenskapsrommet.