Adatbányászati technikák házi feladat

Katona Gyula (kiskat@cs.bme.hu), Tóth Ágnes (tothagi@cs.bme.hu)

3. rész

A feladat a következő adathalmaz klaszterezése: economics.arff. (Az adatokat innen gyűjtöttem ki: http://www.nationmaster.com.)
Találjatok minél jobb klaszterezést és indokoljátok meg, hogy miért az tűnik a legjobbnak. Az indokláshoz mellékeljetek gnuplottal PDF formátumba mentett 3D grafikon(okat) is.

Az attribútumok jelentése:

country	Az ország neve.
birth_rate	Születési ráta, azaz születések száma évente 1000 lakosonként.
health_expenditure	Egészségügyi kiadások a GDP százalékában.
life_expectency	Várható életkor.
GDP_per_capita	Egy főre eső GDP.
inflation	Inflációs ráta.
education_expenditure	Oktatásügyi kiadások a GDP százalékában.
turism	Turisták száma évente 1000 lakosonként.

Néhány hasznos tanács:

Adott k-ra minél több random seedet érdemes megpróbálni és a legkisebb hibát adót venni.
Hogy melyik k a legjobb, azt az eredmény értelmezéséből lehet látni, illetve abból, hogy a különböző k értékek esetén hogyan változik a hiba. Ha nem csökken lényegesen, akkor valószínű egy csoportot osztunk (értelmetlenül) többre. Az értelmezéshez egyrészt meg lehet nézni a középpontok vektorait az eredményben. Másrészt a következő trükkel meg lehet nézni könnyedén, hogy melyik országot hova soroltuk:

Az adatok betöltése után válasszuk a Cluster fület.
Ott a Classes to cluster evaluation pontot jelöljük ki, és válasszuk a country-t. Ez nem pont erre való, de így kiírja, amit szeretnénk. (A végén kiírja, hogy: Incorrectly clustered instances : 88.0 92.6316 %, ennek számunkra nincs értelme most.)

Az ábrázolásnál az a cél, hogy a különböző kluszterek valamely nézetben jól elkülönüljenek. Alap esetben a dimenziók közül 3-at értelmesen kiválasztva érdemes próbálkozni. (De meg lehet próbálni nem csak a koordináta-tengelyekkel párhuzamos 3D hipersíkra is vetíteni, azaz az attributumokból lineáris kombinációkat képezni.)

Beadandó a szükséges lépések összefoglalása, az eredmények és ábrák.
A végső határidő az utolsó labor, de bármikor előtte is be lehet adni, akár a laboron, akár e-mailben. Számítsatok arra is, hogy esetlegesen szóban ellenőrizzük, hogy a munkát tényleg magatok csináltátok.