InícioCursosDescoberta dos métodos de aprendizado não supervisionado em Python

Preparar as variáveis para obter melhores agrupamentos

Capítulo 2 · Explorar os dados com técnicas de agrupamento · lição 9 de 54
Reservado aos subscritores — eis o seu início
Conjunto de dados sobre os vinhos do Piemonte O conjunto de dados sobre os vinhos do Piemonte contém 178 amostras de vinho tinto provenientes desta região de Itália. As variáveis descrevem a sua composição química, nomeadamente o teor de álcool, bem como algumas propriedades visuais, como a intensidade da cor. As amostras pertencem a três castas distintas. Agrupamento dos vinhos A tabela que contém as amostras pode ser utilizada com o algoritmo KMeans para identificar três grupos entre os vinhos. Grupos e variedades Como os vinhos provêm de três castas diferentes, a função crosstab do pandas permite verificar a correspondência entre as etiquetas de
A continuação desta lição é reservada aos subscritores Crie a sua conta gratuita para testar os exercícios de exemplo e, depois, passe para o acesso completo quando quiser.

Crie a sua conta gratuita

Sem cartão de crédito, em trinta segundos.
Continuar com o Google
ou
Inscrever-se com um e-mail
Já tem conta? Iniciar sessão
Ao continuar, aceita os termos de utilização e a política de privacidade. Os seus dados são alojados na União Europeia.

Acesso completo DATAGOZ

19 €/ mês — ou 190 € / ano
  • Todos os cursos publicados e os percursos profissionais
  • Exercícios e questionários corrigidos automaticamente
  • Treino, exame e certificado de frequência
  • Sem compromisso, cancelável online
Ver os planos
Esta lição faz parte do curso

Descoberta dos métodos de aprendizagem não supervisionada em Python

short_training6 capítulos · 54 lições

Descubra o aprendizado não supervisionado em Python.

  • A plataforma de formaçãosubscritores
  • Aprendizagem não supervisionadaassinantes
  • Determinar o número ideal de gruposassinantes
  • Agrupar pontos em duas dimensõesassinantes
  • Analisar os resultados do agrupamentoassinantes
  • Medir a qualidade dos grupos obtidosassinantes
  • Escolher o número de grupos para as sementesassinantes
  • Avaliar os grupos formados a partir das sementesassinantes
  • Preparar as variáveis para obter melhores agrupamentosestá aqui
  • Padronizar os dados de peixes antes do agrupamentoassinantes
  • Identificar grupos entre os peixesassinantes
  • Classificar as ações em grupos com K-meansassinantes
  • Identificar as ações com evoluções semelhantesassinantes
  • Visualizar as estruturas hierárquicas dos dadosassinantes
  • Determinar o número de fusões necessáriasassinantes
  • Agrupar os dados sobre as sementes por agrupamento hierárquicoassinantes
  • Analisar as relações hierárquicas entre as açõesassinantes
  • Atribuir rótulos aos grupos resultantes do agrupamento hierárquicoassinantes
  • Identificar os grupos de dados mais próximosassinantes
  • Comparar os agrupamentos hierárquicos segundo os métodos de ligaçãoassinantes
  • Estudar os agrupamentos em diferentes níveis da hierarquiaassinantes
  • Extrair os rótulos dos grupos formadosassinantes
  • Projetar os dados em duas dimensões com t-SNEassinantes
  • Visualizar os dados sobre os cereais com t-SNEassinantes
  • Mapear as semelhanças entre as ações com t-SNEassinantes
  • Visualizar o funcionamento da PCAassinantes
  • Identificar as correlações naturais entre os dadosassinantes
  • Descorrelacionar as medidas das sementes com a PCAassinantes
  • Identificar as componentes principaisassinantes
  • Determinar a dimensão intrínseca dos dadosassinantes
  • Analisar o papel da primeira componente principalassinantes
  • Estudar a variância explicada pelas componentes da PCAassinantes
  • Estimar a dimensão intrínseca dos dados sobre os peixesassinantes
  • Reduzir o número de dimensões com a PCAassinantes
  • Simplificar as medições dos peixes com a redução dimensionalseguidores
  • Representar as palavras com as pontuações TF-IDFseguidores
  • Agrupar os artigos da Wikipédia, primeira parteseguidores
  • Continuar o agrupamento dos artigos da Wikipédia, segunda parteseguidores
  • Descobrir a fatoração de matrizes não negativas (NMF)seguidores
  • Identificar os dados compostos por valores não negativosseguidores
  • Aplicar a NMF aos artigos da Wikipédiaseguidores
  • Extrair características dos artigos da Wikipédia com a NMFseguidores
  • Reconstruir os dados a partir das componentes NMFseguidores
  • Decompor os dados em elementos interpretáveis com a NMFseguidores
  • Identificar os temas dos documentos com a NMFseguidores
  • Explorar o conjunto de dados de dígitos representados por LEDsassinantes
  • Extrair os componentes das imagens com NMFassinantes
  • Entender por que a PCA não permite identificar partes distintasassinantes
  • Criar sistemas de recomendação com NMFassinantes
  • Encontrar artigos semelhantes ao de Cristiano Ronaldoassinantes
  • Recomendar artistas musicais, primeira parteassinantes
  • Melhorar as recomendações de artistas musicais, segunda parteassinantes
  • Fazer um balanço dos métodos de descoberta de características interpretáveisassinantes
  • Conclusão da formaçãoassinantes
Próxima lição

Padronizar os dados de peixes antes do agrupamento

Ver o programa Crie uma conta para continuar