Hierarchisches Clustering Dendrogramm

Machine LearningMachine LearningBeginner
Jetzt üben

This tutorial is from open-source community. Access the source code

💡 Dieser Artikel wurde von AI-Assistenten übersetzt. Um die englische Version anzuzeigen, können Sie hier klicken

Einführung

In diesem Lab lernen wir, wie wir den zugehörigen Dendrogramm eines hierarchischen Clusterns mit AgglomerativeClustering und der dendrogram - Methode in scipy erstellen.

Tipps für die VM

Nachdem der VM - Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu nutzen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen in Jupyter Notebook nicht automatisiert werden.

Wenn Sie während des Lernens Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.


Skills Graph

%%%%{init: {'theme':'neutral'}}%%%% flowchart RL sklearn(("Sklearn")) -.-> sklearn/UtilitiesandDatasetsGroup(["Utilities and Datasets"]) ml(("Machine Learning")) -.-> ml/FrameworkandSoftwareGroup(["Framework and Software"]) sklearn(("Sklearn")) -.-> sklearn/CoreModelsandAlgorithmsGroup(["Core Models and Algorithms"]) sklearn/CoreModelsandAlgorithmsGroup -.-> sklearn/cluster("Clustering") sklearn/UtilitiesandDatasetsGroup -.-> sklearn/datasets("Datasets") ml/FrameworkandSoftwareGroup -.-> ml/sklearn("scikit-learn") subgraph Lab Skills sklearn/cluster -.-> lab-49063{{"Hierarchisches Clustering Dendrogramm"}} sklearn/datasets -.-> lab-49063{{"Hierarchisches Clustering Dendrogramm"}} ml/sklearn -.-> lab-49063{{"Hierarchisches Clustering Dendrogramm"}} end

Importieren der erforderlichen Bibliotheken

Wir beginnen mit dem Importieren der erforderlichen Bibliotheken für dieses Lab.

import numpy as np
from matplotlib import pyplot as plt
from scipy.cluster.hierarchy import dendrogram
from sklearn.datasets import load_iris
from sklearn.cluster import AgglomerativeClustering

Laden des Datensatzes

Wir werden die load_iris() - Funktion aus dem sklearn.datasets - Modul verwenden, um den Iris - Datensatz zu laden.

iris = load_iris()
X = iris.data

Modell erstellen

Als nächstes erstellen wir das Agglomerative - Clustering - Modell mit der AgglomerativeClustering() - Funktion aus dem sklearn.cluster - Modul.

model = AgglomerativeClustering(distance_threshold=0, n_clusters=None)

Modell anpassen

Wir werden das Agglomerative - Clustering - Modell mit der fit() - Methode des Modellobjekts anpassen.

model = model.fit(X)

Dendrogramm zeichnen

Wir werden das Dendrogramm mit der dendrogram() - Funktion aus dem scipy.cluster.hierarchy - Modul und der in dem ursprünglichen Code definierten plot_dendrogram() - Funktion zeichnen.

plt.title("Hierarchical Clustering Dendrogram")
plot_dendrogram(model, truncate_mode="level", p=3)
plt.xlabel("Number of points in node (or index of point if no parenthesis).")
plt.show()

Zusammenfassung

In diesem Lab haben wir gelernt, wie man das zugehörige Dendrogramm eines hierarchischen Clusterings mit AgglomerativeClustering und der in scipy verfügbaren Dendrogramm - Methode zeichnet. Wir haben den Iris - Datensatz geladen, ein Agglomerative - Clustering - Modell erstellt und das Modell angepasst. Schließlich haben wir das Dendrogramm mit der dendrogram() - Funktion aus dem scipy.cluster.hierarchy - Modul und der in dem ursprünglichen Code definierten plot_dendrogram() - Funktion gezeichnet.