History

leestott 349386faa1 🌐 Update translations via Co-op Translator		2 weeks ago
..
solution	🌐 Update translations via Co-op Translator	3 weeks ago
README.md	🌐 Update translations via Co-op Translator	2 weeks ago
assignment.md	🌐 Update translations via Co-op Translator	3 weeks ago
notebook.ipynb	🌐 Update translations via Co-op Translator	3 weeks ago

README.md

K-Means clustering

Pre-lecture quiz

Sa araling ito, matututunan mo kung paano gumawa ng mga cluster gamit ang Scikit-learn at ang dataset ng Nigerian music na na-import mo noong nakaraan. Tatalakayin natin ang mga pangunahing kaalaman ng K-Means para sa Clustering. Tandaan na, tulad ng natutunan mo sa nakaraang aralin, maraming paraan upang magtrabaho gamit ang mga cluster at ang pamamaraan na gagamitin mo ay nakadepende sa iyong data. Subukan natin ang K-Means dahil ito ang pinakakaraniwang clustering technique. Simulan na natin!

Mga terminong matututunan mo:

Silhouette scoring
Elbow method
Inertia
Variance

Panimula

Ang K-Means Clustering ay isang pamamaraan na nagmula sa larangan ng signal processing. Ginagamit ito upang hatiin at i-partition ang mga grupo ng data sa 'k' clusters gamit ang serye ng mga obserbasyon. Ang bawat obserbasyon ay naglalayong i-grupo ang isang datapoint sa pinakamalapit na 'mean', o ang sentro ng isang cluster.

Ang mga cluster ay maaaring i-visualize bilang Voronoi diagrams, na naglalaman ng isang punto (o 'seed') at ang kaukulang rehiyon nito.

infographic ni Jen Looper

Ang proseso ng K-Means clustering ay ginagawa sa tatlong hakbang:

Ang algorithm ay pumipili ng k-bilang ng mga sentro ng punto sa pamamagitan ng pag-sample mula sa dataset. Pagkatapos nito, inuulit ang proseso:
1. Ina-assign ang bawat sample sa pinakamalapit na centroid.
2. Gumagawa ng mga bagong centroid sa pamamagitan ng pagkuha ng mean value ng lahat ng sample na na-assign sa mga naunang centroid.
3. Pagkatapos, kinakalkula ang pagkakaiba sa pagitan ng mga bagong centroid at lumang centroid at inuulit ang proseso hanggang sa maging stable ang mga centroid.

Isang kahinaan ng paggamit ng K-Means ay kailangan mong tukuyin ang 'k', ang bilang ng mga centroid. Sa kabutihang-palad, ang 'elbow method' ay tumutulong upang tantyahin ang magandang panimulang halaga para sa 'k'. Subukan mo ito sa ilang sandali.

Kinakailangan

Magtrabaho ka sa file na notebook.ipynb na naglalaman ng data import at preliminary cleaning na ginawa mo sa nakaraang aralin.

Ehersisyo - paghahanda

Simulan sa pamamagitan ng muling pagtingin sa data ng mga kanta.

Gumawa ng boxplot, tawagin ang boxplot() para sa bawat column:

plt.figure(figsize=(20,20), dpi=200)

plt.subplot(4,3,1)
sns.boxplot(x = 'popularity', data = df)

plt.subplot(4,3,2)
sns.boxplot(x = 'acousticness', data = df)

plt.subplot(4,3,3)
sns.boxplot(x = 'energy', data = df)

plt.subplot(4,3,4)
sns.boxplot(x = 'instrumentalness', data = df)

plt.subplot(4,3,5)
sns.boxplot(x = 'liveness', data = df)

plt.subplot(4,3,6)
sns.boxplot(x = 'loudness', data = df)

plt.subplot(4,3,7)
sns.boxplot(x = 'speechiness', data = df)

plt.subplot(4,3,8)
sns.boxplot(x = 'tempo', data = df)

plt.subplot(4,3,9)
sns.boxplot(x = 'time_signature', data = df)

plt.subplot(4,3,10)
sns.boxplot(x = 'danceability', data = df)

plt.subplot(4,3,11)
sns.boxplot(x = 'length', data = df)

plt.subplot(4,3,12)
sns.boxplot(x = 'release_date', data = df)

Medyo maingay ang data na ito: sa pamamagitan ng pag-obserba sa bawat column bilang boxplot, makikita mo ang mga outlier.

Maaari mong suriin ang dataset at alisin ang mga outlier na ito, ngunit magiging minimal ang data.

Sa ngayon, piliin kung aling mga column ang gagamitin mo para sa clustering exercise. Pumili ng mga may magkatulad na saklaw at i-encode ang column na artist_top_genre bilang numeric data:

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()

X = df.loc[:, ('artist_top_genre','popularity','danceability','acousticness','loudness','energy')]

y = df['artist_top_genre']

X['artist_top_genre'] = le.fit_transform(X['artist_top_genre'])

y = le.transform(y)

Ngayon kailangan mong pumili kung ilang cluster ang targetin. Alam mo na mayroong 3 genre ng kanta na kinuha mula sa dataset, kaya subukan natin ang 3:

from sklearn.cluster import KMeans

nclusters = 3 
seed = 0

km = KMeans(n_clusters=nclusters, random_state=seed)
km.fit(X)

# Predict the cluster for each data point

y_cluster_kmeans = km.predict(X)
y_cluster_kmeans

Makikita mo ang isang array na naka-print na may mga predicted cluster (0, 1, o 2) para sa bawat row ng dataframe.

Gamitin ang array na ito upang kalkulahin ang 'silhouette score':

from sklearn import metrics
score = metrics.silhouette_score(X, y_cluster_kmeans)
score

Silhouette score

Hanapin ang silhouette score na mas malapit sa 1. Ang score na ito ay nag-iiba mula -1 hanggang 1, at kung ang score ay 1, ang cluster ay dense at mahusay na naihiwalay mula sa ibang mga cluster. Ang halaga na malapit sa 0 ay kumakatawan sa mga overlapping cluster na may mga sample na napakalapit sa decision boundary ng mga kalapit na cluster. (Source)

Ang score natin ay .53, kaya nasa gitna. Ipinapakita nito na ang data natin ay hindi masyadong angkop para sa ganitong uri ng clustering, ngunit magpatuloy tayo.

Ehersisyo - gumawa ng modelo

I-import ang KMeans at simulan ang clustering process.
```
from sklearn.cluster import KMeans
wcss = []

for i in range(1, 11):
    kmeans = KMeans(n_clusters = i, init = 'k-means++', random_state = 42)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)
```
May ilang bahagi dito na nangangailangan ng paliwanag.

🎓 range: Ito ang mga iteration ng clustering process

🎓 random_state: "Tinutukoy ang random number generation para sa centroid initialization." Source

🎓 WCSS: "within-cluster sums of squares" ay sumusukat sa squared average distance ng lahat ng mga punto sa loob ng isang cluster sa cluster centroid. Source.

🎓 Inertia: Ang K-Means algorithm ay sinusubukang pumili ng mga centroid upang mabawasan ang 'inertia', "isang sukatan kung gaano ka-coherent ang mga cluster sa loob." Source. Ang halaga ay idinadagdag sa wcss variable sa bawat iteration.

🎓 k-means++: Sa Scikit-learn maaari mong gamitin ang 'k-means++' optimization, na "nag-i-initialize ng mga centroid upang maging (karaniwang) malayo sa isa't isa, na nagreresulta sa mas magagandang resulta kaysa sa random initialization.

Elbow method

Noong una, inakala mo na, dahil nag-target ka ng 3 genre ng kanta, dapat kang pumili ng 3 cluster. Ngunit tama ba iyon?

Gamitin ang 'elbow method' upang makasiguro.
```
plt.figure(figsize=(10,5))
sns.lineplot(x=range(1, 11), y=wcss, marker='o', color='red')
plt.title('Elbow')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()
```
Gamitin ang wcss variable na ginawa mo sa nakaraang hakbang upang gumawa ng chart na nagpapakita kung saan ang 'bend' sa elbow, na nagpapahiwatig ng optimum na bilang ng mga cluster. Marahil ay 3 nga!

Ehersisyo - ipakita ang mga cluster

Subukan muli ang proseso, sa pagkakataong ito ay mag-set ng tatlong cluster, at ipakita ang mga cluster bilang scatterplot:

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters = 3)
kmeans.fit(X)
labels = kmeans.predict(X)
plt.scatter(df['popularity'],df['danceability'],c = labels)
plt.xlabel('popularity')
plt.ylabel('danceability')
plt.show()

Suriin ang accuracy ng modelo:
```
labels = kmeans.labels_

correct_labels = sum(y == labels)

print("Result: %d out of %d samples were correctly labeled." % (correct_labels, y.size))

print('Accuracy score: {0:0.2f}'. format(correct_labels/float(y.size)))
```
Hindi masyadong maganda ang accuracy ng modelong ito, at ang hugis ng mga cluster ay nagbibigay ng pahiwatig kung bakit.

Ang data na ito ay masyadong imbalanced, masyadong kaunti ang correlation, at masyadong malaki ang variance sa pagitan ng mga column values upang ma-cluster nang maayos. Sa katunayan, ang mga cluster na nabuo ay malamang na malaki ang impluwensya o skewed ng tatlong genre categories na tinukoy natin sa itaas. Isa itong proseso ng pagkatuto!

Sa dokumentasyon ng Scikit-learn, makikita mo na ang isang modelo tulad nito, na may mga cluster na hindi masyadong mahusay na naihiwalay, ay may problema sa 'variance':

Infographic mula sa Scikit-learn

Variance

Ang variance ay tinutukoy bilang "ang average ng squared differences mula sa Mean" (Source). Sa konteksto ng clustering problem na ito, tumutukoy ito sa data kung saan ang mga numero ng dataset natin ay may tendensiyang lumayo nang masyado mula sa mean.

✅ Ito ay isang magandang pagkakataon upang pag-isipan ang lahat ng paraan kung paano mo maaayos ang isyung ito. Ayusin pa ang data? Gumamit ng ibang mga column? Gumamit ng ibang algorithm? Hint: Subukan ang scaling ng iyong data upang i-normalize ito at subukan ang ibang mga column.

Subukan ang 'variance calculator' upang mas maunawaan ang konsepto.

🚀Hamunin

Maglaan ng oras sa notebook na ito, i-tweak ang mga parameter. Mapapabuti mo ba ang accuracy ng modelo sa pamamagitan ng mas maayos na paglilinis ng data (halimbawa, pag-aalis ng mga outlier)? Maaari kang gumamit ng weights upang magbigay ng mas malaking timbang sa ilang data samples. Ano pa ang magagawa mo upang makagawa ng mas magagandang cluster?

Hint: Subukan ang pag-scale ng iyong data. Mayroong commented code sa notebook na nagdadagdag ng standard scaling upang gawing mas magkatulad ang mga column ng data sa isa't isa sa mga tuntunin ng saklaw. Mapapansin mo na habang bumababa ang silhouette score, ang 'kink' sa elbow graph ay nagiging mas maayos. Ito ay dahil ang hindi pag-scale ng data ay nagpapahintulot sa data na may mas kaunting variance na magkaroon ng mas malaking timbang. Basahin pa ang tungkol sa problemang ito dito.

Post-lecture quiz

Review at Pag-aaral sa Sarili

Tingnan ang isang K-Means Simulator tulad nito. Maaari mong gamitin ang tool na ito upang i-visualize ang mga sample data points at tukuyin ang mga centroid nito. Maaari mong i-edit ang randomness ng data, bilang ng mga cluster, at bilang ng mga centroid. Nakakatulong ba ito upang magkaroon ka ng ideya kung paano maaaring i-grupo ang data?

Tingnan din ang handout na ito tungkol sa K-Means mula sa Stanford.

Takdang-Aralin

Subukan ang iba't ibang clustering methods

Paunawa:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.