Я использую Python для применения KMeans к информационному фрейму автомобилей. Из кривой локтя я получаю 4 как оптимальное количество кластеров. Я на самом деле хочу отобразить 4 кластера в 2-х измерениях. Для этого я использую технику PCA, код для фрейма данных, применяемый к нему метод PCA и т. Д. Ниже. У меня вопрос, я пытаюсь отобразить 4 кластера, но код PCA отображает для меня 3 кластера, почему он не отображает 4 кластера?
датафрейм - cars_df
cyl disp hp wt acc mpg age group
0 4.0 307.0 130.0 3504.0 12.0 18.0 13.0 0
1 4.0 350.0 165.0 3693.0 11.5 15.0 13.0 0
2 4.0 318.0 150.0 3436.0 11.0 18.0 13.0 0
3 4.0 304.0 150.0 3433.0 12.0 16.0 13.0 0
4 4.0 302.0 140.0 3449.0 10.5 17.0 13.0 0
5 4.0 148.5 93.5 4341.0 10.0 15.0 13.0 0
6 4.0 148.5 93.5 4354.0 15.5 14.0 13.0 0
7 4.0 148.5 93.5 4312.0 15.5 14.0 13.0 0
8 4.0 148.5 93.5 4425.0 10.0 14.0 13.0 0
9 4.0 148.5 93.5 3850.0 15.5 15.0 13.0 0
10 4.0 148.5 93.5 3563.0 10.0 15.0 13.0 0
11 4.0 340.0 160.0 3609.0 15.5 14.0 13.0 0
12 4.0 148.5 150.0 3761.0 15.5 15.0 13.0 0
13 4.0 148.5 93.5 3086.0 10.0 14.0 13.0 0
14 4.0 113.0 95.0 2372.0 15.0 24.0 13.0 1
15 6.0 198.0 95.0 2833.0 15.5 22.0 13.0 3
16 6.0 199.0 97.0 2774.0 15.5 18.0 13.0 3
17 6.0 200.0 85.0 2587.0 16.0 21.0 13.0 3
18 4.0 97.0 88.0 2130.0 14.5 27.0 13.0 1
19 4.0 97.0 46.0 1835.0 20.5 26.0 13.0 1
20 4.0 110.0 87.0 2672.0 17.5 25.0 13.0 1
21 4.0 107.0 90.0 2430.0 14.5 24.0 13.0 1
22 4.0 104.0 95.0 2375.0 17.5 25.0 13.0 1
23 4.0 121.0 113.0 2234.0 12.5 26.0 13.0 1
24 6.0 199.0 90.0 2648.0 15.0 21.0 13.0 3
25 4.0 148.5 93.5 2803.5 14.0 10.0 13.0 0
26 4.0 307.0 93.5 4376.0 15.0 10.0 13.0 0
27 4.0 318.0 93.5 4382.0 13.5 11.0 13.0 0
28 4.0 304.0 93.5 2803.5 18.5 9.0 13.0 3
29 4.0 97.0 88.0 2130.0 14.5 27.0 12.0 1
... ... ... ... ... ... ... ... ...
368 4.0 112.0 88.0 2640.0 18.6 27.0 1.0 2
369 4.0 112.0 88.0 2395.0 18.0 34.0 1.0 2
370 4.0 112.0 85.0 2575.0 16.2 31.0 1.0 2
371 4.0 135.0 84.0 2525.0 16.0 29.0 1.0 2
372 4.0 151.0 90.0 2735.0 18.0 27.0 1.0 2
373 4.0 140.0 92.0 2865.0 16.4 24.0 1.0 2
374 4.0 151.0 93.5 3035.0 20.5 23.0 1.0 2
375 4.0 105.0 74.0 1980.0 15.3 36.0 1.0 2
376 4.0 91.0 68.0 2025.0 18.2 37.0 1.0 2
377 4.0 91.0 68.0 1970.0 17.6 31.0 1.0 2
378 4.0 105.0 63.0 2125.0 14.7 38.0 1.0 2
379 4.0 98.0 70.0 2125.0 17.3 36.0 1.0 2
380 4.0 120.0 88.0 2160.0 14.5 36.0 1.0 2
381 4.0 107.0 75.0 2205.0 14.5 36.0 1.0 2
382 4.0 108.0 70.0 2245.0 16.9 34.0 1.0 2
383 4.0 91.0 67.0 1965.0 15.0 38.0 1.0 2
384 4.0 91.0 67.0 1965.0 15.7 32.0 1.0 2
385 4.0 91.0 67.0 1995.0 16.2 38.0 1.0 2
386 6.0 181.0 110.0 2945.0 16.4 25.0 1.0 2
387 6.0 262.0 85.0 3015.0 17.0 38.0 1.0 2
388 4.0 156.0 92.0 2585.0 14.5 26.0 1.0 2
389 6.0 232.0 112.0 2835.0 14.7 22.0 1.0 3
390 4.0 144.0 96.0 2665.0 13.9 32.0 1.0 2
391 4.0 135.0 84.0 2370.0 13.0 36.0 1.0 2
392 4.0 151.0 90.0 2950.0 17.3 27.0 1.0 2
393 4.0 140.0 86.0 2790.0 15.6 27.0 1.0 2
394 4.0 97.0 52.0 2130.0 15.5 23.0 1.0 2
395 4.0 135.0 84.0 2295.0 11.6 32.0 1.0 2
396 4.0 120.0 79.0 2625.0 18.6 28.0 1.0 2
397 4.0 119.0 82.0 2720.0 19.4 31.0 1.0 2
398 rows × 8 columns
X = cars_df.drop('group', axis = 1)
y = cars_df.pop('group')
X = StandardScaler().fit_transform(X)
#utilizing PCA (Principal Component Analysis)
from sklearn.decomposition import PCA
# Make an instance of the Model
pca = PCA(.95)
pca.fit(X)
num_clusters=4
data2D = pca.transform(X)
centers2D = pca.transform(cluster.cluster_centers_)
labels=cluster.labels_
colors=['#000000','#FFFFFF','#FF0000','#00FF00','#0000FF']
col_map=dict(zip(set(labels),colors))
label_color = [col_map[l] for l in labels]
plt.scatter( data2D[:,0], data2D[:,1], c=label_color) # This plots the
cluster points.
