Как понять, что на самом деле означают кластеры?

Привет! На связи Мария Жарова, ментор курсов «Инженер машинного обучения» и «Дата-сайентист» 👋🏻

Кластеризация — классная штука: модель сама разбивает объекты на группы, и никакая разметка не обязательна. Но проблемы обычно начинаются потом — когда необходимо понять, что вообще означают эти кластеры?

Дело в том, что просто получить лейблы модели недостаточно: если вы не интерпретировали кластеры, ценность такого решения стремится к нулю.

Держите два простых и очень наглядных способа, которые быстро помогают «прочитать» кластеры 👇

1️⃣ Тепловая карта (heatmap)

Идея — берём признаки и считаем их средние значения внутри каждого кластера и дальше строим heatmap:

➖ по строкам — кластеры;
➖ по столбцам — признаки;
➖ цвет — значение.

Таким образом, вы сразу видите профиль кластера — где значения высокие, где низкие, и какие признаки «определяющие» для каждого кластера.

📌 В plotly можно использовать px.imshow или go.Heatmap

2️⃣ Полярная диаграмма (Radar Chart)

Это уже более продвинутый способ: берём те же средние значения признаков и откладываем их по осям в виде «паутины». Таким образом, каждый кластер представляет собой отдельный многоугольник.

Что здесь удобно:
➖ Легко сравнивать кластеры между собой;
➖ Сразу видно, по каким признакам кластер «выделяется»;
➖ Отлично заходит для презентаций.

📌 В plotly можно использовать go.Scatterpolar

Зачем это нужно?

Кластеризация — это больше не про алгоритм, а про смысл результатов. Если вы не можете объяснить, по какому принципу в каждой кластере собраны объекты, задача решена не до конца и приносить пользу бизнесу она не сможет.

Поэтому после ML-ной части с экспериментами и метриками не забывайте о простой, но самой важной части — интерпретации 😉

Сохраняйте — пригодится в реальных задачах!