K-means-klustring

Värdet på K är en viktig parameter. Vanliga metoder för att välja K är:

• Armbågsmetoden: Plotta summan av kvadraterna inom klustren (WCSS) för olika K-värden och leta efter armbågspunkten.
• Silhouette Score: Mäter hur väl separerade klustren är.

Anta att vi har en datauppsättning med punkter som är fördelade i ett tvådimensionellt plan. Varje punkt har:

• X: Koordinat på den horisontella axeln.
• Y: Koordinat på den vertikala axeln.

K-Means grupperar dessa punkter i kluster baserat på deras närhet.

Vi använder klassen KMeans från biblioteket scikit-learn för att implementera 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 visualisera klustren genom att rita upp datapunkterna och centroidena:

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 flera fördelar:

• Enkelt och lätt att implementera.
• Effektivt för stora datauppsättningar.
• Fungerar bra när klustren är tydligt definierade.

Några begränsningar med K-Means är:

• Känslighet för centroidernas ursprungliga placering.
• Svårigheter att hantera icke-sfäriska kluster.
• Känslighet för avvikande värden och brusiga data.

I den här lektionen gick vi igenom:

• Hur K-Means-klustring fungerar.
• Hur man väljer antalet kluster med metoder som armbågsmetoden.
• Hur man implementerar och visualiserar K-Means i Python.

Härnäst tillämpar vi K-Means på en verklig datamängd för att få praktisk erfarenhet.