### 클러스터 결과를 담은 DataFrame과 사이킷런의 Cluster 객체등을 인자로 받아 클러스터링 결과를 시각화하는 함수
def visualize_cluster_plot(cluster obj, dataframe, label_name, iscenter=True):
if iscenter :
centers = cluster obj.cluster_centers_
unique_labels = np.unique(dataframe[label_name].values)
markers=['o', 's', '^' 'x', '*']
isNoise False
for label in unique_labels:
label_cluster = dataframe [dataframe [label_name] == label]
if label == −1:
cluster_legend = 'Noise'
isNoise = True
else:
cluster_legend = 'Cluster ' + str(label)
plt.scatter(x=label_cluster['ftr1'], y=label_cluster['ftr2'], s=70, edgecolor='k', marker-markers[label], label=cluster_legend)
if iscenter:
center_x_y = centers[label]
plt.scatter (x=center_x_y[0], y=center_x_y[1], s=250, color='white', alpha=0.9, edgecolor='k', marker=markers[label])
plt.scatter (x=center_x_y[0], y=center_x_y[1], s=70, color='k', edgecolor='k', marker='$%d$' % label)
if isNoise:
legend_loc='upper center'
else: legend_loc='upper right'
plt.legend(loc=legend_loc)
plt.show()
from sklearn.datasets import make_blobs
# make_blobs()로 300개의 데이터 셋, 3개의 cluster 셋, cluster_std=0.5 을 만듬.
X, у make_blobs(n_samples=300, n_features=2, centers-3, cluster_std=0.5, random_state=0)
# 길게 늘어난 타원형의 데이터 셋을 생성하기 위해 변환함.
transformation = [[0.60834549, -0.63667341], [-0.40887718, 0.85253229]]
X_aniso = np.dot (X, transformation)
# feature 데이터 셋과 make_blobs( ) 의 y 결과 값을 DataFrame으로 저장
cluster DF = pd.DataFrame(data=X_aniso, columns=['ftr1', 'ftr2'])
cluster DF ['target'] = y
#생성된 데이터 셋을 target 별로 다른 marker 로 표시하여 시각화 함.
visualize_cluster_plot(None, cluster DF, 'target', iscenter=False)
#3개의 Cluster 기반 Kmeans 를 X_aniso 데이터 셋에 적용
kmeans = KMeans(3, random_state=0)
kmeans_label = kmeans.fit_predict(X_aniso)
clusterDF['kmeans_label'] = kmeans_label
visualize_cluster_plot(kmeans, cluster DF, 'kmeans_label', iscenter=True)
