HomeCorsiScoperta dei metodi di apprendimento non supervisionato in Python

Preparare le variabili per ottenere raggruppamenti migliori

Capitolo 2 · Esplorare i dati con le tecniche di clustering · lezione 9 di 54
Riservato agli abbonati — ecco l'inizio
Dataset sui vini del Piemonte Il dataset sui vini del Piemonte contiene 178 campioni di vino rosso provenienti da questa regione d'Italia. Le variabili descrivono la loro composizione chimica, in particolare il tenore alcolico, nonché alcune proprietà visive, come l'intensità del colore. I campioni appartengono a tre vitigni distinti. Raggruppamento dei vini La tabella contenente i campioni può essere utilizzata con l'algoritmo KMeans per individuare tre gruppi tra i vini. Gruppi e varietà Poiché i vini provengono da tre vitigni diversi, la funzione crosstab di pandas permette di verificare la corrispondenza tra le etichette di
Il seguito di questa lezione è riservato agli abbonati Crea il tuo account gratuito per provare gli esercizi di esempio, poi passa all'accesso completo quando vuoi.

Crea il tuo account gratuito

Senza carta di credito, in trenta secondi.
Continua con Google
oppure
Iscriviti con un'e-mail
Già registrato? Accedi
Continuando, accetti le condizioni d'uso e la politica sulla privacy. I tuoi dati sono ospitati nell'Unione europea.

Accesso completo DATAGOZ

19 €/ mese — oppure 190 € / anno
  • Tutti i corsi pubblicati e i percorsi professionali
  • Esercizi e quiz corretti automaticamente
  • Allenamento, esame e attestato di frequenza
  • Senza impegno, disdettabile online
Vedi i piani
Questa lezione fa parte del corso

Scoperta dei metodi di apprendimento non supervisionato in Python

short_training6 capitoli · 54 lezioni

Scopri l’apprendimento non supervisionato in Python.

  • La piattaforma di formazioneiscritti
  • Apprendimento non supervisionatoiscritti
  • Determinare il numero ottimale di gruppiabbonati
  • Raggruppare punti in due dimensioniabbonati
  • Analizzare i risultati del clusteringiscritti
  • Misurare la qualità dei gruppi ottenutiiscritti
  • Scegliere il numero di gruppi per i semiiscritti
  • Valutare i gruppi formati a partire dai semiiscritti
  • Preparare le variabili per ottenere raggruppamenti migliorisei qui
  • Standardizzare i dati sui pesci prima del clusteringiscritti
  • Identificare dei gruppi tra i pesciiscritti
  • Classificare le azioni in gruppi con K-meansiscritti
  • Individuare le azioni con andamenti similiiscritti
  • Visualizzare le strutture gerarchiche dei datiiscritti
  • Determinare il numero di fusioni necessarieiscritti
  • Raggruppare i dati sui cereali tramite clustering gerarchicoiscritti
  • Analizzare le relazioni gerarchiche tra le azioniiscritti
  • Assegnare etichette ai gruppi risultanti dal clustering gerarchicoiscritti
  • Identificare i gruppi di dati più viciniiscritti
  • Confrontare i raggruppamenti gerarchici secondo i metodi di collegamentoiscritti
  • Studiare i raggruppamenti a diversi livelli della gerarchiaiscritti
  • Estrarre le etichette dei gruppi formatiiscritti
  • Proiettare i dati in due dimensioni con t-SNEiscritti
  • Visualizzare i dati sui cereali con t-SNEiscritti
  • Mappare le somiglianze tra le azioni con t-SNEiscritti
  • Visualizzare il funzionamento della PCAiscritti
  • Individuare le correlazioni naturali tra i datiiscritti
  • Decorrelare le misure dei semi grazie alla PCAiscritti
  • Identificare le componenti principaliiscritti
  • Determinare la dimensione intrinseca dei datiiscritti
  • Analizzare il ruolo della prima componente principaleiscritti
  • Studiare la varianza spiegata dalle componenti della PCAiscritti
  • Stimare la dimensione intrinseca dei dati sui pesciiscritti
  • Ridurre il numero di dimensioni con la PCAiscritti
  • Semplificare le misure dei pesci grazie alla riduzione dimensionaleiscritti
  • Rappresentare le parole con i punteggi TF-IDFiscritti
  • Raggruppare gli articoli di Wikipedia, prima parteiscritti
  • Proseguire il raggruppamento degli articoli di Wikipedia, seconda parteiscritti
  • Scoprire la fattorizzazione non negativa di matrici (NMF)iscritti
  • Identificare i dati composti da valori non negativiiscritti
  • Applicare la NMF agli articoli di Wikipediaiscritti
  • Estrarre caratteristiche dagli articoli di Wikipedia con la NMFiscritti
  • Ricostruire i dati a partire dalle componenti NMFiscritti
  • Scomporre i dati in elementi interpretabili grazie alla NMFiscritti
  • Identificare i temi dei documenti con la NMFiscritti
  • Esplorare il dataset delle cifre rappresentate da LEDiscritti
  • Estrarre le componenti delle immagini con la NMFiscritti
  • Capire perché la PCA non permette di identificare parti distinteiscritti
  • Creare sistemi di raccomandazione con la NMFiscritti
  • Trovare articoli simili a quello di Cristiano Ronaldoiscritti
  • Raccomandare artisti musicali, prima parteiscritti
  • Migliorare le raccomandazioni di artisti musicali, seconda parteiscritti
  • Fare il punto sui metodi di scoperta delle caratteristiche interpretabiliiscritti
  • Conclusione del corsoiscritti
Lezione successiva

Standardizzare i dati sui pesci prima del clustering

Vedi il programma Crea un account per continuare