From f5d003a911aeba118bf15f75546f3c24fa0b06d3 Mon Sep 17 00:00:00 2001
From: GokaPek <Hgogogo@yandex.ru>
Date: Fri, 22 Nov 2024 20:53:52 +0400
Subject: [PATCH] =?UTF-8?q?=D0=B3=D0=BE=D1=82=D0=BE=D0=B2=D0=BE?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 lab_5/lab5.ipynb | 54 ++++++++++++++++++++++++++++++++++++++++++++----
 1 file changed, 50 insertions(+), 4 deletions(-)

diff --git a/lab_5/lab5.ipynb b/lab_5/lab5.ipynb
index 433f9e1..1216d33 100644
--- a/lab_5/lab5.ipynb
+++ b/lab_5/lab5.ipynb
@@ -248,7 +248,17 @@
    "source": [
     "#### Выбор количества кластеров\n",
     "\n",
-    "#### График локтя"
+    "#### График локтя\n",
+    "\n",
+    "Инерция — это мера внутрикластерного рассеяния. Чем меньше инерция, тем более компактны и плотны кластеры.\n",
+    "\n",
+    "Цель: Минимизировать инерцию, но при этом не создавать слишком много мелких кластеров.\n",
+    "\n",
+    "Инерция резко падает при увеличении k от 2 до 3, а затем начинает выравниваться.\n",
+    "\n",
+    "Локтевая точка находится при k = 3.\n",
+    "\n",
+    "Оптимальное количество кластеров равно 3."
    ]
   },
   {
@@ -292,7 +302,15 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "#### График силуэта"
+    "#### График силуэта\n",
+    "\n",
+    "Коэффициент силуэта — это метрика, которая оценивает качество кластеризации. Он измеряет, насколько хорошо каждый объект в кластере подобен другим объектам в том же кластере (компактность) и насколько он отличается от объектов в других кластерах (разделение).\n",
+    "\n",
+    "Значения: Коэффициент силуэта принимает значения от -1 до 1. Чем ближе значение к 1, тем лучше кластеризация. Значение 0 указывает на то, что кластеры пересекаются, а отрицательное значение указывает на неправильную кластеризацию.\n",
+    "\n",
+    "Коэффициент силуэта достигает максимума при k = 2 и затем снижается при увеличении k.\n",
+    "\n",
+    "Оптимальное количество кластеров равно 2."
    ]
   },
   {
@@ -331,7 +349,25 @@
     "\n",
     "#### K-Means кластеризация\n",
     "\n",
-    "#### Оценка качества кластеризации"
+    "#### Оценка качества кластеризации\n",
+    "\n",
+    "Коэффициент силуэта — это метрика, которая оценивает качество кластеризации. Он измеряет, насколько хорошо каждый объект в кластере подобен другим объектам в том же кластере (компактность) и насколько он отличается от объектов в других кластерах (разделение).\n",
+    "\n",
+    "Значения: Коэффициент силуэта принимает значения от -1 до 1. Чем ближе значение к 1, тем лучше кластеризация. Значение 0 указывает на то, что кластеры пересекаются, а отрицательное значение указывает на неправильную кластеризацию.\n",
+    "\n",
+    "Индекс Дэвиса-Болдина — это метрика, которая оценивает качество кластеризации. Он измеряет отношение среднего расстояния между объектами в одном кластере к среднему расстоянию между объектами в разных кластерах.\n",
+    "\n",
+    "Значения: Чем меньше значение индекса Дэвиса-Болдина, тем лучше кластеризация.\n",
+    "\n",
+    "Коэффициент силуэта:\n",
+    "Иерархическая кластеризация: Коэффициент силуэта равен 0.133, что указывает на то, что кластеры имеют некоторую компактность, но не очень высокую.\n",
+    "\n",
+    "K-Means кластеризация: Коэффициент силуэта равен 0.172, что немного выше, чем у иерархической кластеризации. Это указывает на то, что K-Means лучше справляется с созданием более компактных кластеров.\n",
+    "\n",
+    "Индекс Дэвиса-Болдина:\n",
+    "Иерархическая кластеризация: Индекс Дэвиса-Болдина равен 2.509, что указывает на то, что кластеры имеют значительное пересечение.\n",
+    "\n",
+    "K-Means кластеризация: Индекс Дэвиса-Болдина равен 2.234, что немного ниже, чем у иерархической кластеризации. Это указывает на то, что K-Means лучше справляется с разделением кластеров."
    ]
   },
   {
@@ -379,7 +415,17 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "#### Визуализация кластеров"
+    "#### Визуализация кластеров\n",
+    "\n",
+    "Главный компонент 1 (ось X): Это первая главная компонента, которая объясняет наибольшую дисперсию в данных.\n",
+    "\n",
+    "Главный компонент 2 (ось Y): Это вторая главная компонента, которая объясняет следующую по величине дисперсию в данных.\n",
+    "\n",
+    "Данные распределены вдоль оси X (Главный компонент 1) с некоторым разбросом вдоль оси Y (Главный компонент 2).\n",
+    "\n",
+    "Большая часть дисперсии в данных объясняется первой главной компонентой.\n",
+    "\n",
+    "На графике видны три кластера, которые расположены вдоль оси X."
    ]
   },
   {