26 lines
2.5 KiB
Markdown
26 lines
2.5 KiB
Markdown
|
# Лабораторная работа 4
|
|||
|
|
### Вариант 10
|
|||
|
|
|
|||
|
|
### Задание:
|
|||
|
|
- Используя данные из "F1DriversDataset.csv" сформулировать задачу, решаемую кластеризацией: Выделить 3 группы гонщиков ("условно" легендарные, выдающиеся, обыкновенные) с похожими достижениями в гонках и определить характеристики каждой группы
|
|||
|
|
### Алгоритм кластеризации:
|
|||
|
|
- K-means (по варианту)
|
|||
|
|
### Запуск
|
|||
|
|
- Запустить файл lab4.py
|
|||
|
|
|
|||
|
|
### Технологии
|
|||
|
|
- Язык - 'Python'
|
|||
|
|
- Библиотеки sklearn, numpy, pandas, matplotlib
|
|||
|
|
|
|||
|
|
### Что делает
|
|||
|
|
- Программа реализовывает кластеризацию алгоритмом k-means, в результате чего мы получаем 3 кластера гонщиков (с определенными характеристиками для каждого кластера)
|
|||
|
|
- Программа также оценивает качество кластеризации, используя Индекс силуэта (Метрика, которая измеряет, насколько каждый объект в кластере похож на свой собственный кластер по сравнению с другими кластерами. Вычисление индекса силуэта включает в себя вычисление среднего значения коэффициента силуэта для всех объектов. Чем ближе значение индекса силуэта к 1, тем лучше кластеризация.)
|
|||
|
|
- Программа выводит график, позволяющий визуально понять, как прошла кластеризация
|
|||
|
|
|
|||
|
|
### Пример работы
|
|||
|
|
Пример работы представлен в виде скриншотов:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Как мы видим кластеризация помолга нам распределить гонщиков на 3 группы и определить характеристики групп, оценка качества кластеризации - 0.77, что довольно хороший показатель, значит алгоритм K-means справился со своей задачей
|