Klasterlash algoritmlari nima?

Tasvirlarni oldindan qayta ishlash
Numpy massivlari sifatida saqlangan tasvirlar 2-D massivlardir. Mini-Batch K-Scikit-learn tomonidan taqdim etilgan klasterlash algoritmi 1D massivlarini qabul qiladi. Natijada, biz tasvirni qayta shakllantirishimiz kerak. MNIST 28 x 28 pikselli tasvirlarni o'z ichiga oladi; natijada biz ularni 1D massiviga shakllantirganimizdan so'ng ular uzunligi 784 ga teng bo'ladi.
# Rasmni 1 ga aylantiring Darray
X = x_train.reshape(len(x_train), -1 )
Y = y_poezd
# ma'lumotlarni normalizatsiya qilish
X = X.astype(float) / 255.
chop etish (X. shakli)
chop etish (X[ 0 ].shakl)
Klasterlash
Ma'lumotlar to'plamining o'lchami tufayli biz K-Means ning Mini-Batch ilovasidan foydalanmoqdamiz. Algoritm ma'lumotlarni sig'dirish uchun kamroq vaqt oladi. MNIST ma'lumotlar to'plami 0-9 butun sonlarining tasvirlarini o'z ichiga oladi. Shunday qilib, keling, klasterlar sonini 10 ga belgilash orqali klasterlashni boshlaymiz.
sklearn.cluster import MiniBatchKMeans dan
n_raqamlar = len (np.unique(y_test))
chop etish (n_raqam)
# KMeans modelini ishga tushiring
kmeans = MiniBatchKMeans(n_clusters=n_digits)
# modelga mos keladi
kmeans.fit(X)
kmeans.labels_
Klaster belgilarini belgilang
Mini-to'plam K-vositalari nazoratsiz ML usuli bo'lib, algoritm tomonidan tayinlangan teglar haqiqiy maqsadli butun songa emas, balki har bir massiv tayinlangan klasterga ishora qiladi. Buni tuzatish uchun keling, har bir klasterga qaysi butun son mos kelishini bashorat qiladigan funksiyalarni aniqlaylik.
def cluster_labels_infer (kmeans, actual_lbls) :
"""
qaytaradi: lug'at (yorliqlarga tayinlangan klasterlar)
"""
infrd_labels = {}
diapazondagi n uchun ( kmeans.n_clusters):
teglar = []
indeks = np.where(kmeans.labels_ == n)
labels.append(actual_lbls[indeks])