Clustering K-means à l'aide de la méthode Elbow.

Introduction

Le clustering ou analyse de cluster est une technique d'apprentissage automatique, qui regroupe l'ensemble de données non étiqueté. On peut dire que c'est "une manière de regrouper les points de données en différents clusters, constitués de points de données similaires. Les objets présentant les similitudes possibles restent dans un groupe et ceux qui ont moins ou pas de similitudes avec un autre groupe "

Comprenons la technique de clustering avec l'exemple concret de Mall. Lorsque les clients visitent un centre commercial, nous pouvons observer que les objets ayant un usage similaire sont regroupés. Par exemple, les t-shirts sont regroupés dans une section et les pantalons dans d'autres sections, de même, dans les sections de légumes, les pommes, les bananes, les mangues, etc. sont regroupées dans une section séparée, afin que les clients puissent facilement trouver les choses. La technique de clustering fonctionne également de la même manière. D'autres exemples de regroupement sont le regroupement de documents selon des sujets.

Implémentation Python de l'algorithme de clustering K-means.

Conditions préalables

• Qu'est-ce que l'algorithme de clustering K-means.
• Comment fonctionne l'algorithme k-means ?
• Comment trouver et choisir la valeur de "k : nombre de clusters dans le clustering k-means.
• Prétraitement des données.
• Standardisation et mise à l'échelle des fonctionnalités.
• Ajustement de la formation et transformation des données.
• Formation de l'algorithme K-means sur l'ensemble de données de formation.
• Faites des prédictions.
• Inspectez les coordonnées des 5 centroïdes
• Trouver le nombre optimal (k) de clusters à l'aide de la méthode Elbow.
• Visualisation des clusters
• Résumé des résultats

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!