IIS_2023_1/tepechin_kirill_lab_4

Лабораторная работа №4, ПИбд-42 Тепечин Кирилл

Датасет:

Ссылка:

Smoking and Drinking Dataset with body signal

Подробности датасета

Столбец	Пояснение
sex	Пол(мужской, женский)
age	Возраст(округлён)
height	Рост(округлён) [см]
weight	[кг]
sight_left	зрение (левый)
sight_left	зрение (правый)
hear_left	слух (левое): 1 (нормальное), 2 (ненормальное)
hear_right	слух (правое): 1 (нормальное), 2 (ненормальное)
SBP	Систолическое артериальное давление [мм рт. ст.]
DBP	Диастолическое артериальное давление [мм рт. ст.]
BLDS	глюкоза в крови натощак [мг/дл]
tot_chole	общий холестерин [мг/дл]
HDL_chole	Холестерин ЛПВП [мг/дл]
LDL_chole	Холестерин ЛПНП [мг/дл]
triglyceride	триглицерид [мг/дл]
hemoglobin	гемоглобин [г/дл]
urine_protein	белок в моче, 1(-), 2(+/-), 3(+1), 4(+2), 5(+3), 6(+4)
serum_creatinine	креатинин сыворотки (крови) [мг/дл]
SGOT_AST	глутамат-оксалоацетат-трансаминаза / аспартат-трансаминаза [МЕ/л]
SGOT_ALT	аланиновая трансаминаза [МЕ/л]
gamma_GTP	γ-глутамилтранспептидаза [МЕ/л]
SMK_stat_type_cd	Степень курения: 1 (никогда), 2 (бросил), 3 (курю)
DRK_YN	Пьющий или нет

Как запустить лабораторную работу:

Для запуска лабораторной работы необходимо запустить файл lab4.py

Используемые технологии:

• Python 3.12
• pandas
• scikit-learn
• matplotlib

Что делает лабораторная работа:

Эта лабораторная программа загружает данные из csv файла, выбирает признаки, нормализует данные, строит дендрограмму и оценивает качество кластеризации с помощью silhouette score.

Предварительная обработка данных:

Т.к датасет содержит слишком большое количество данных следует уменшить их размер

data = data.sample(frac=0.01, random_state=42)

Результат:

На основании этой дендрограмы можно выбрать количество кластеров, на которое разумно поделить данные (4)

Теперь используем метод иерархической кластеризации (AgglomerativeClustering) с 4 кластерами. Метки кластеров присваиваются данным, а затем вычисляется показатель silhouette score, который оценивает качество кластеризации.

Вывод:

Значение в районе 0.094 может быть интерпретировано как относительно низкое, что может указывать на то, что данные не разделены очень четко в кластеры, поэтому можно сделать вывод, что метод плохо подходит для решения задачи.