59 lines
2.3 KiB
ObjectPascal
59 lines
2.3 KiB
ObjectPascal
// В этом примере показан unsupervised pipeline для матрицы признаков.
|
||
//
|
||
// Данные сначала извлекаются из DataFrame в матрицу,
|
||
// а затем pipeline выполняет масштабирование и кластеризацию.
|
||
//
|
||
// Это удобно, когда табличная подготовка уже сделана заранее
|
||
// и хочется работать сразу с числовой матрицей.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.RussianCities;
|
||
var df := ds.Data;
|
||
|
||
// Добавляем два полезных числовых признака для кластеризации городов.
|
||
df := df.WithColumnFloat('density', row -> row.Float('population') / row.Float('area'));
|
||
df := df.WithColumnFloat('log_population', row -> Ln(row.Float('population')));
|
||
|
||
// Для кластеризации берем два числовых признака:
|
||
// логарифм населения и плотность населения.
|
||
var features := ['log_population', 'density'];
|
||
var X := df.ToMatrix(features);
|
||
|
||
// Строим matrix pipeline:
|
||
// сначала StandardScaler, затем KMeans.
|
||
var pipe := MatrixPipeline.BuildClustering(
|
||
new StandardScaler,
|
||
new KMeans(3, seed := 42)
|
||
);
|
||
|
||
// Обучаем pipeline и получаем метки кластеров.
|
||
pipe.Fit(X);
|
||
var labels := pipe.Predict(X);
|
||
|
||
// Добавляем метки кластеров в таблицу,
|
||
// чтобы потом удобно вывести представителей каждого кластера.
|
||
df.AddIntColumn('cluster', labels, nil);
|
||
|
||
Println('Кластеризация городов с помощью UMatrixPipeline');
|
||
Println;
|
||
Println('Используются признаки log_population и density.');
|
||
Println('Для каждого кластера выводятся самые крупные города.');
|
||
Println;
|
||
|
||
for var cluster := 0 to 2 do
|
||
begin
|
||
Println($'Кластер {cluster + 1}:');
|
||
|
||
var clusterDf := df
|
||
.Filter(r -> r.Int('cluster') = cluster)
|
||
.SortBy('population', descending := True)
|
||
.Select(['city', 'population', 'density'])
|
||
.Head(5);
|
||
|
||
clusterDf.Print;
|
||
Println;
|
||
end;
|
||
end.
|