K-Means-klyngedannelse

Værdien af K er en vigtig parameter. Almindelige metoder til at vælge K omfatter:

• Albue-metoden: Tegn summen af kvadrater inden for klyngerne (WCSS) for forskellige K-værdier, og find »albuepunktet«.
• Silhuetscore: Måler, hvor godt adskilte klyngerne er.

Lad os se på et datasæt med punkter fordelt i et todimensionalt rum. Hvert punkt har:

• X: Koordinat på den vandrette akse.
• Y: Koordinat på den lodrette akse.

K-Means grupperer disse punkter i klynger baseret på deres nærhed.

Vi bruger klassen KMeans fra biblioteket scikit-learn til at implementere algoritmen:

from sklearn.cluster import KMeans
import numpy as np

# Example dataset
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# K-Means model
kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)

print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)

Vi kan visualisere klyngerne ved at afbilde datapunkterne og centroiderne:

import matplotlib.pyplot as plt

# Scatter plot of data points
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')

# Plot cluster centers
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='red', marker='X')
plt.title('K-Means Clustering')
plt.show()

K-Means har flere fordele:

• Enkel og nem at implementere.
• Effektiv til store datasæt.
• Fungerer godt, når klyngerne er tydeligt afgrænsede.

Nogle begrænsninger ved K-Means er:

• Følsomhed over for den indledende placering af centroider.
• Vanskeligheder ved håndtering af ikke-sfæriske klynger.
• Følsomhed over for afvigende datapunkter og støjende data.

I denne lektion gennemgik vi:

• Hvordan K-Means-klyngedannelse fungerer.
• Hvordan du vælger antallet af klynger ved hjælp af metoder som albue-metoden.
• Hvordan du implementerer og visualiserer K-Means i Python.

Dernæst anvender vi K-Means på et datasæt fra den virkelige verden for at få praktisk erfaring.