{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 2. Aprendizagem de máquina\n",
"\n",
"### Objetivos\n",
"\n",
" - continuação de aprendizado não supervisionado\n",
" - Apresentar uma intuição dos algoritimos de agupamento por densidade - DBScan\n",
" - Apresentar uma intuição e praticar o algoritimo de agrupamento hierarquico - AGNES"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Métodos de agrupamento\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### De forma geral as estratégias de agrupamento são:\n",
"\n",
" - Partição: exemplo KMeans\n",
" - Densidade: exemplo DBSCAN\n",
" - Hierarquicas: exemplo AGNES\n",
" \n",
"Utilizamos a ferramenta `orange-canvas` para obter uma intuição sobre esses algoritimos além de compreender suas principais diferença."
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Desafio 1 (Sugestão)\n",
"\n",
"Faça a instalação do `orange-canvas` em sua maquina e realize os exemplos dados em sala de aula. \n",
"\n",
"Para usuarios linux o site oficial https://orangedatamining.com/ recomenda o uso de virutal env, eu uso direto sem virtual env:\n",
"\n",
" Instalação:\n",
"\n",
" sudo apt install python3-pyqt5.*\n",
" pip install --upgrade --user pyqtwebengine==5.12\n",
" pip install --upgrade --user pyqt5==5.12\n",
" pip3 install orange3 --user\n",
" pip install orange3-educational\n",
"\n",
"\n",
" Execute:\n",
"\n",
" python3 -m Orange.canvas\n",
" ou\n",
" orange-canvas\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Agrupamento por estratégia Hierarquica\n",
"\n",
"adiciona descrição do problema..."
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"#### Importa libs"
]
},
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [],
"source": [
"%matplotlib inline\n",
"\n",
"# O scipy é bastante utilizada para Data Science\n",
"from scipy.cluster.hierarchy import dendrogram, linkage\n",
"\n",
"from sklearn.cluster import AgglomerativeClustering\n",
"import matplotlib.pyplot as plt\n",
"import pandas as pd\n",
"import numpy as np"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"#### Importa dataset"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [
{
"data": {
"text/html": [
"\n",
"\n",
"
\n",
" \n",
" \n",
" | \n",
" CustomerID | \n",
" Genre | \n",
" Age | \n",
" Annual_Income_k | \n",
" Spending_Score_1_100 | \n",
"
\n",
" \n",
" \n",
" \n",
" | 0 | \n",
" 1 | \n",
" Male | \n",
" 19 | \n",
" 15 | \n",
" 39 | \n",
"
\n",
" \n",
" | 1 | \n",
" 2 | \n",
" Male | \n",
" 21 | \n",
" 15 | \n",
" 81 | \n",
"
\n",
" \n",
" | 2 | \n",
" 3 | \n",
" Female | \n",
" 20 | \n",
" 16 | \n",
" 6 | \n",
"
\n",
" \n",
" | 3 | \n",
" 4 | \n",
" Female | \n",
" 23 | \n",
" 16 | \n",
" 77 | \n",
"
\n",
" \n",
" | 4 | \n",
" 5 | \n",
" Female | \n",
" 31 | \n",
" 17 | \n",
" 40 | \n",
"
\n",
" \n",
"
\n",
"