fix: encoding

2026-06-18 14:46:33 +02:00
parent 90bcd04e4e
commit 488ae1a7cb
1 changed files with 0 additions and 131 deletions
@@ -1,131 +0,0 @@
-import numpy as np
-import matplotlib.pyplot as plt
-from sklearn.cluster import KMeans
-from sklearn.metrics import silhouette_score, davies_bouldin_score
-
-# =========================================================
-# ?? EINSTELLUNGEN
-# =========================================================
-
-RANDOM_SEED = 42
-MAX_K = 8
-POINTS_PER_CLUSTER = 100
-
-# echte Cluster (für Simulation)
-CENTER_1 = [0, 0]
-CENTER_2 = [6, 6]
-CENTER_3 = [0, 6]
-
-# =========================================================
-# 1. DATEN GENERIEREN
-# =========================================================
-
-np.random.seed(RANDOM_SEED)
-
-data1 = np.random.randn(POINTS_PER_CLUSTER, 2) + CENTER_1
-data2 = np.random.randn(POINTS_PER_CLUSTER, 2) + CENTER_2
-data3 = np.random.randn(POINTS_PER_CLUSTER, 2) + CENTER_3
-
-X = np.vstack((data1, data2, data3))
-
-# =========================================================
-# 2. ELBOW + GÜTEMASSE
-# =========================================================
-
-k_values = range(1, MAX_K + 1)
-inertia_values = []
-silhouette_values = []
-db_values = []
-
-for k in k_values:
-    kmeans = KMeans(n_clusters=k, random_state=RANDOM_SEED, n_init=10)
-    kmeans.fit(X)
-
-    inertia_values.append(kmeans.inertia_)
-
-    if k >= 2:
-        labels = kmeans.labels_
-        silhouette_values.append(silhouette_score(X, labels))
-        db_values.append(davies_bouldin_score(X, labels))
-    else:
-        silhouette_values.append(np.nan)
-        db_values.append(np.nan)
-
-# =========================================================
-# 3. BESTES k (vereinfacht: nach Silhouette)
-# =========================================================
-
-best_k = k_values[np.nanargmax(silhouette_values)]
-
-# Frage:
-# Warum nehmen wir hier Silhouette und nicht Inertia?
-# Lösung:
-# ? Inertia sinkt immer ? kein klares Optimum
-
-# =========================================================
-# 4. FINALES MODELL
-# =========================================================
-
-kmeans_final = KMeans(n_clusters=best_k, random_state=RANDOM_SEED, n_init=10)
-kmeans_final.fit(X)
-
-labels_final = kmeans_final.labels_
-centers_final = kmeans_final.cluster_centers_
-
-# =========================================================
-# 5. VISUALISIERUNG
-# =========================================================
-
-fig, ax = plt.subplots(1, 4, figsize=(20, 4))
-
-# ---- Originaldaten ----
-ax[0].scatter(X[:, 0], X[:, 1])
-ax[0].set_title("Rohdaten (unclustered)")
-
-# Frage:
-# Siehst du hier schon Cluster?
-# Lösung:
-# ? Ja, visuell oft erkennbar, aber nicht immer eindeutig
-
-# ---- Elbow ----
-ax[1].plot(k_values, inertia_values, marker="o")
-ax[1].set_title("Elbow (Inertia)")
-ax[1].set_xlabel("k")
-ax[1].set_ylabel("Fehler")
-
-# ---- Silhouette ----
-ax[2].plot(k_values, silhouette_values, marker="o")
-ax[2].set_title("Silhouette Score")
-ax[2].set_xlabel("k")
-
-# ---- Finales Clustering ----
-scatter = ax[3].scatter(X[:, 0], X[:, 1], c=labels_final)
-ax[3].scatter(centers_final[:, 0], centers_final[:, 1], c="red", s=200, marker="X")
-ax[3].set_title(f"K-Means Ergebnis (k={best_k})")
-
-# Frage:
-# Warum sind die Cluster farbig getrennt?
-# Lösung:
-# ? Hard Clustering: jeder Punkt genau ein Label
-
-plt.tight_layout()
-plt.show()
-
-# =========================================================
-# ? WEITERE FRAGEN
-# =========================================================
-
-# Frage:
-# Was passiert, wenn wir die Daten stärker überlappen lassen?
-# Lösung:
-# ? Clustering wird schwieriger, Scores schlechter
-
-# Frage:
-# Warum können verschiedene Runs unterschiedliche Ergebnisse liefern?
-# Lösung:
-# ? zufällige Initialisierung der Zentren
-
-# Frage:
-# Ist das gefundene k immer korrekt?
-# Lösung:
-# ? Nein, nur heuristisch bestimmt