Искусственный интеллект. Машинное обучение. Джейд Картер

(X_scaled) в новое двумерное пространство главных компонент (X_pca).

      5. Визуализация результатов: Мы визуализируем полученные двумерные данные, используя метки классов для раскрашивания точек на графике. Это позволяет нам увидеть, как объекты данных распределяются в новом пространстве главных компонент и какие зависимости между ними могут быть обнаружены.

      Пример 2

      Задача, рассмотренная в данном коде, заключается в кластеризации данных об опухолях молочной железы на основе их характеристик, чтобы выделить группы схожих образцов тканей. Это может помочь в анализе и понимании характеристик опухолей, а также в дальнейшем принятии медицинских решений.

      Набор данных содержит информацию о различных признаках опухолей, таких как радиус, текстура, периметр и другие. Для удобства эти данные загружаются из библиотеки `sklearn.datasets`. Каждый образец в наборе данных имеет также метку класса, указывающую, является ли опухоль злокачественной (1) или доброкачественной (0).

      Далее применяется метод кластеризации KMeans, который пытается разделить образцы данных на заданное количество кластеров (в данном случае 2 кластера). Модель KMeans обучается на признаках образцов без учета меток классов, так как это задача обучения без учителя. Подробнее данный метод мы будем рассматривать позже.

      После обучения модели для каждого образца вычисляется метка кластера, которой он принадлежит. Затем происходит визуализация полученных кластеров на плоскости, используя два из признаков: средний радиус (`mean radius`) и среднюю текстуру (`mean texture`). Каждый образец представлен точкой на графике, а его цвет обозначает принадлежность к одному из двух кластеров.

      Этот анализ помогает выявить общие характеристики опухолей и потенциально помогает в их классификации или определении риска злокачественного развития.

      import pandas as pd

      from sklearn.datasets import load_breast_cancer

      from sklearn.cluster import KMeans

      import matplotlib.pyplot as plt

      # Загрузка набора данных

      breast_cancer_data = load_breast_cancer()

      # Преобразование данных в DataFrame

      data = pd.DataFrame(data=breast_cancer_data.data, columns=breast_cancer_data.feature_names)

      # Добавление меток классов в DataFrame

      data['target'] = breast_cancer_data.target

      # Создание объекта KMeans с 2 кластерами (для злокачественных и доброкачественных опухолей)

      kmeans = KMeans(n_clusters=2)

      # Обучение модели на данных без меток классов

      kmeans.fit(data.drop('target', axis=1))

      # Получение меток кластеров для каждого образца

      cluster_labels = kmeans.labels_

      # Визуализация кластеров

      plt.scatter(data['mean radius'], data['mean texture'], c=cluster_labels, cmap='viridis')

      plt.xlabel('Mean Radius')

      plt.ylabel('Mean Texture')

      plt.title('KMeans Clustering')

      plt.show()

      Пример 3

      Давайте возьмем набор данных о покупках клиентов в магазине и применим к нему метод кластеризации K-means. В этом примере мы будем использовать набор данных "Mall Customer Segmentation Data", который содержит информацию о клиентах магазина и их покупках.

      ```python

      # Импортируем необходимые библиотеки

      import numpy as np

      import pandas as pd

      import matplotlib.pyplot as plt

      from sklearn.cluster import KMeans

      from sklearn.preprocessing import StandardScaler

      # Загружаем данные

      data = pd.read_csv('mall_customers.csv')

      # Посмотрим