10. diel - Shlukovací algoritmus K-Means v Pythone

V minulej lekcii, Les rozhodovacích stromov v Pythone , sme sa v našom kurze venovali lesu rozhodovacích stromov. V tomto tutoriále o strojovom učení sa pozrieme na algoritmus z rodiny algoritmov "učenie bez dohľadu" a tým je K-Means. Tento algoritmus nepotrebuje poznať náš požadovaný výstup, ale postupným iterováním rozdelí dáta do K skupín, čo je parameter, ktorý definujeme. Týmto spôsobom môže algoritmus nájsť ďalšie vzory alebo vzťahy v dátach, ktorých si nemusíme ani všimnúť.

K-Means môžeme využiť v reálnom svete napríklad k rozdeleniu zákazníkov do K skupín, kde každá skupina bude mať vždy niečo spoločné (napr. Tí, čo nakupujú topánky, čo nakupujú pravidelne, sviatočné nakupovacích, šetřílci, ...). Jediný problém je, že vám algoritmus ukáže len kto do akej skupiny patria, ale nie čo majú za unikátnu vlastnosť / čo majú spoločné. To tiež uvidíme v praktickej ukážke v Pythone.

Ako funguje shlukovací algoritmus K-Means

Povedzme, že máme nasledujúce body a chceme ich rozdeliť do K skupín. Metódou KV (pozriem a vidím) si môžeme všimnú, že sú tu 2 skupiny bodov a môžeme ich jednoducho rozdeliť:

Skupiny vyzerajú takto:

Centroid

Algoritmus K-Means ale nevie, koľko je tu potenciálnych skupín ani kde každá z nich leží. Každá skupina (ich počet definuje parameter K) má svoj Centroid, čo je

...koniec náhľadu článku...
Pokračuj ďalej