Машинное обучение

fit_transform(X)

# Определение оптимального числа кластеров

inertia = []

for k in range(1, 10):

kmeans = KMeans(n_clusters=k, random_state=42)

kmeans.fit(X_scaled)

inertia.append(kmeans.inertia_)

# Визуализация графика локтя

plt.plot(range(1, 10), inertia, marker='o')

plt.xlabel('Number of clusters')

plt.ylabel('Inertia')

plt.title('Elbow Method')

plt.show()

# Выбор оптимального числа кластеров

k = 3 # По графику локтя видим, что оптимальное число кластеров равно 3

# Применение метода K-средних

kmeans = KMeans(n_clusters=k, random_state=42)

kmeans.

# Добавление меток кластеров в данные

data['Cluster'] = kmeans.labels_

# Вывод результатов

for cluster in range(k):

cluster_data = data[data['Cluster'] == cluster]

print(f"Cluster {cluster + 1}:\n{cluster_data.describe()}\n")

```

Описание кода:

1. Импортируем необходимые библиотеки, такие как pandas для работы с данными, numpy для математических операций, sklearn для использования алгоритма K-средних и matplotlib для визуализации.

2. Загружаем данные из файла "bank_data.csv". Предполагается, что у нас есть файл с данными о клиентах банка, включающими возраст (Age), доход (Income) и другие признаки.

3. Выбираем признаки (Age и Income) для проведения кластеризации и создаем новый DataFrame X.

4. Масштабируем данные с помощью стандартизации с помощью объекта StandardScaler.

5. Определяем оптимальное число кластеров с помощью метода локтя (Elbow Method) и визуализируем график.

6. Выбираем оптимальное число кластеров (в данном случае равно 3).

7. Применяем метод K-средних с выбранным числом кластеров.

8. Добавляем метки кластеров в исходные данные.

9. Выводим описательную статистику для каждого кластера.

Примечание: В приведенном коде предполагается, что у вас есть файл "bank_data.csv" с соответствующими данными о клиентах банка.

Метод K-средних (K-means) – это один из наиболее популярных алгоритмов кластеризации в машинном обучении. Он используется для разделения набора данных на заданное число кластеров.

Процесс работы метода K-средних выглядит следующим образом:

1. Определение числа кластеров (K): Сначала необходимо определить, сколько кластеров требуется создать. Это может быть заранее известное число или выбор на основе анализа данных и целей задачи.

2.