IBMR EAD_Aprendizado de Máquina - AgglomerativeClustering

Prévia do material em texto

from numpy import unique 
from numpy import where 
from sklearn.datasets import make_classification 
from sklearn.cluster import AgglomerativeClustering 
from matplotlib import pyplot 
# criando o dataset 
X, _ = make_classification(n_samples=1000, n_features=2, n_informative=2, 
n_redundant=0, n_clusters_per_class=1, random_state=4) 
# definindo o modelo 
model = AgglomerativeClustering(affinity='euclidean', n_clusters=3, 
linkage='single') 
# treinando o modelo 
model.fit(X) 
# avaliando uma nova amostra (predição de cluster) 
yhat = model.predict(X) 
# recuperando os clusters 
clusters = unique(yhat) 
# Criando um gráfico para exibir os resultados 
for cluster in clusters: 
 # filtrando as amostras de um mesmo cluster 
 row_ix = where(yhat == cluster) 
 # plotando no gráfico 
 pyplot.scatter(X[row_ix, 0], X[row_ix, 1]) 
# exibindo o resultado 
pyplot.show()