K-bedeutet Clustering mit der Elbow-Methode.

Einführung

Clustering oder Clusteranalyse ist eine Technik des maschinellen Lernens, die den unbeschrifteten Datensatz gruppiert. Man kann sagen, dass dies eine „Methode zur Gruppierung der Datenpunkte in verschiedene Cluster ist, die aus ähnlichen Datenpunkten bestehen. Die Objekte mit möglichen Ähnlichkeiten bleiben in einer Gruppe und diejenigen, die weniger oder keine Ähnlichkeiten haben, mit einer anderen Gruppe „

Lassen Sie uns die Clustering-Technik anhand des realen Beispiels von Mall verstehen. Wenn Kunden ein Einkaufszentrum besuchen, können wir beobachten, dass die Dinge mit ähnlicher Nutzung in Gruppen zusammengefasst sind. Beispielsweise sind die T-Shirts in einem Abschnitt und die Hosen in anderen Abschnitten zusammengefasst. Ebenso sind in den Gemüseabschnitten Äpfel, Bananen, Mangos usw. in einem separaten Abschnitt zusammengefasst, sodass Kunden die Dinge leicht herausfinden können. Auch die Clustering-Technik funktioniert auf die gleiche Weise. Weitere Beispiele für Clustering sind die Gruppierung von Dokumenten nach Themen.

Python-Implementierung des K-Means-Clustering-Algorithmus.

Voraussetzungen

• Was ist der K-Means-Clustering-Algorithmus?
• Wie funktioniert der K-Means-Algorithmus?
• So finden und wählen Sie den Wert von „k: Anzahl der Cluster im k-Means-Clustering.“
• Datenvorverarbeitung.
• Standardisierung und Funktionsskalierung.
• Anpassung der Schulung und Datentransformation.
• Training des K-Means-Algorithmus auf dem Trainingsdatensatz.
• Vorhersagen machen.
• Überprüfen Sie die Koordinaten der 5 Schwerpunkte
• Ermitteln der optimalen (k) Anzahl von Clustern mithilfe der Elbow-Methode.
• Visualisierung der Cluster
• Zusammenfassung der Ergebnisse

Das obige ist der detaillierte Inhalt vonK-bedeutet Clustering mit der Elbow-Methode.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!