머신러닝 파워드 애플리케이션: 아이디어에서부터 완성된 제품까지, 강력한 머신러닝 애플리케이션 구축 과정 배우기

123

4

장

초기 데이터셋 준비하기

NOTE

_

옮긴이의 노트

KMeans

알고리즘을 사용할 때 각 샘플을 클러스터 중심까지의 거리로 표현할 수 있습니다.

KMeans

클래스

의

trasnform

()

메서드에서 이를 수행합니다. 여기에서 클러스터 개수는

3

개이므로 반환된 데이터의 특성

개수도

3

개가 됩니다. 클러스터 중심까지의 거리를 사용해 시각화하면 종종 더 나은 결과를 보여줍니다.

아래 코드는

KMeans

클래스의

transform

()

메서드로

vectorized

_

features

를

transformed

_

features

로 변환한 후

UMAP

으로 시각화하는 예입니다.

transformed_features = clus.transform(vectorized_features)

umap_features = umap_embedder.fit_transform(transformed_features)

# 차원 축소된 특성을 2D 평면에 그립니다.

fig = plt.figure(figsize=(16, 10))

plt.scatter(umap_features[:, 0], umap_features[:, 1],

c=[cmap(x/n_clusters) for x in clusters], s=40, alpha=.4)

plt.title('UMAP projection of questions, ...