লেবেল ছাড়াই ডেটার গঠন খোঁজা।
Finding structure in data without labels.
Cluster, reduce dimensions, detect anomalies
scikit-learn, UMAP
Customer or district segmentation
💡 লেবেল ছাড়াই অনুরূপ ডেটার দল খোঁজার সবচেয়ে প্রচলিত পদ্ধতি।
💡 দলের সংখ্যা আগে না জেনে পুরো হায়ারার্কি দেখা যায়।
💡 যেকোনো আকৃতির দল ও নয়েজ বিন্দু একসাথে শনাক্ত।
💡 শত ফিচারকে কয়েকটি মূল দিকে সংকুচিত—ভিজ্যুয়ালাইজেশন, নয়েজ কমানো, দ্রুত মডেল।
💡 উচ্চমাত্রার ডেটার গঠন (যেমন এমবেডিং) ২D-তে চোখে দেখা।
💡 জালিয়াতি, সেন্সর ত্রুটি, প্রাদুর্ভাবের প্রাথমিক সংকেত—অস্বাভাবিক কিছু খোঁজা।
💡 কোন জিনিস একসাথে ঘটে—বাজার, প্রেসক্রিপশন, লক্ষণ বিশ্লেষণ।
import numpy as np, matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.metrics import silhouette_score
X,_=make_blobs(400,n_features=5,centers=4,random_state=3)
for k in [2,3,4,5]: print("k=",k,"silhouette=",round(silhouette_score(X,KMeans(k,n_init=10,random_state=0).fit_predict(X)),3))
lab=KMeans(4,n_init=10,random_state=0).fit_predict(X); Z=PCA(2).fit_transform(X)
plt.scatter(Z[:,0],Z[:,1],c=lab,cmap="viridis",s=15); plt.title("K-Means clusters (PCA view)"); plt.show()1. PCA কী করে?
2. যেকোনো আকৃতির ক্লাস্টার পারে?