# Datensatz-Typen

Ein Datensatz-Typ sei derjenige Typ von Datensatz, der durch scikit-learn Datendsatz-Generatoren wie [make_blobs](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_blobs.html#sklearn.datasets.make_blobs), [make_classification](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_classification.html#sklearn.datasets.make_classification), [make_regression](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_regression.html#sklearn.datasets.make_regression) oder andere generiert wird: Siehe <https://scikit-learn.org/stable/datasets/sample_generators.html>.

Erste Aufgabe einer Datenanalyse: Welcher Typ von Datensatz liegt vor? Daraufhin wählt man einen Modelltyp aus. Ein ML-Projekt wird nur dann Erfolg haben, wenn sich Datensatz- und Modelltyp entsprechen. 






## Cluster

[Comparing different clustering algorithms on toy datasets](https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html#sphx-glr-auto-examples-cluster-plot-cluster-comparison-py)

![](https://scikit-learn.org/stable/_images/sphx_glr_plot_cluster_comparison_001.png)


### Gegenbeispiel 1

[Performing Linear Regression with Python and Scikit-learn](https://www.machinecurve.com/index.php/2020/12/10/performing-linear-regression-with-python-and-scikit-learn/)

![cluster_centers = [(3,3), (3.3, 3.3), (3.6, 3.6), (4, 4)]](https://www.machinecurve.com/wp-content/uploads/2020/12/fit.png)

* Modellstruktur: <https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_blobs.html>

Daten werden erzeugt mit

```
# Configuration options
num_samples_total = 150
cluster_centers = [(3,3), (3.3, 3.3), (3.6, 3.6), (4, 4)]
num_features = 1

# Generate data
X, _ = make_blobs(n_samples = num_samples_total,
   centers = cluster_centers,
   n_features = num_features,
   center_box=(0, 1),
   cluster_std = 0.10)
```

Diskussion:
* Die Cluster sind linear separierbar: Das macht Clustern einfach!
* Hier haben wir Cluster, die zufällig auf einer Linie liegen, weshalb auch lineare Regression "irgendwie" funktioniert.
* Aber der Autor übersieht komplett die eigentliche Struktur des Datasets.

Ergebnis: Hier der Blog-Beitrag definitiv nicht gut. Warum macht der Autor so etwas?

### Gegenbeispiel 2

dsw2020, Chapter 5: Performing Your First Cluster Analysis

Figure 5.2: Clustering analysis performed on the data on customers with similar browsing behaviors:
* 3 blobs, stark überlappend
* Ein Dataset vom Typ Blob: Hier ist eine Clusteranalyse sinnvoll!

Figure 5.10: Scatter plot of the clusters
* Das ist ein Datensatz vom Typ `make_regression`. Der Fortgang des Kapitels zeigt, dass hier eine Clusteranalyse künstlich, arbiträr wirkt. Datensatz- und Modelltyp entsprechen sich nicht.
* Außerdem drängt sich hier natürlich eine log-Transformation auf, siehe <https://en.wikipedia.org/wiki/Data_transformation_(statistics)>, <https://mathbench.umd.edu/modules/misc_scaling/page10.htm>

Ergebnis: Hier ist unser Buch definitiv dsw2020 nicht gut. Warum machen die so etwas?