K-means-klynging

Verdien til K er en viktig parameter. Vanlige metoder for å velge K omfatter:

• Albue-metoden: Plott summen av kvadrerte avstander innenfor klyngene (WCSS) for ulike K-verdier, og se etter «albuepunktet».
• Silhuettpoeng: Måler hvor godt separerte klyngene er.

La oss se på et datasett med punkter fordelt i et todimensjonalt rom. Hvert punkt har:

• X: Koordinat på den horisontale aksen.
• Y: Koordinat på den vertikale aksen.

K-Means grupperer disse punktene i klynger basert på hvor nær hverandre de er.

Vi bruker klassen KMeans fra biblioteket scikit-learn til å 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 klyngene ved å plotte datapunktene og sentroidene:

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 fordeler:

• Enkel og lett å implementere.
• Effektiv for store datasett.
• Fungerer godt når klyngene er tydelig avgrenset.

Noen begrensninger ved K-Means er:

• Følsomhet for den innledende plasseringen av sentroidene.
• Vanskeligheter med å håndtere ikke-sfæriske klynger.
• Følsomhet for uteliggere og støy i dataene.

I denne leksjonen gikk vi gjennom:

• Hvordan K-Means-klynging fungerer.
• Hvordan antallet klynger velges ved hjelp av metoder som albue-metoden.
• Hvordan K-Means implementeres og visualiseres i Python.

Deretter skal vi bruke K-Means på et datasett fra den virkelige verden for å få praktisk erfaring.