Update lab2.md

lab2.md

@@ -148,9 +148,7 @@ print (km.labels_)
 
 # MiniBatchKMeans
 from sklearn.cluster import MiniBatchKMeans
-mbk  = MiniBatchKMeans(init='random',
+mbk  = MiniBatchKMeans(init='random', n_clusters=num_clusters) #(init='k-means++',‘random’ or an ndarray)
-n_clusters=num_clusters) #(init='k-means++',
-‘random’ or an ndarray)
 mbk.fit_transform(tfidf_matrix)
 mbk.fit(tfidf_matrix)
 miniclusters = mbk.labels_.tolist()
@@ -210,20 +208,17 @@ dist = 1 - cosine_similarity(tfidf_matrix)
 dist.shape
      # Метод главных компонент - PCA
 from sklearn.decomposition import IncrementalPCA
-icpa = IncrementalPCA(n_components=2,
+icpa = IncrementalPCA(n_components=2, batch_size=16)
-batch_size=16)
 icpa.fit(dist)
 demo2 = icpa.transform(dist)
 xs, ys = demo2[:, 0], demo2[:, 1]
 # PCA 3D
 from sklearn.decomposition import IncrementalPCA
-icpa = IncrementalPCA(n_components=3,
+icpa = IncrementalPCA(n_components=3,batch_size=16)
-batch_size=16)
 icpa.fit(dist)
 ddd = icpa.transform(dist)
 xs, ys, zs = ddd[:, 0], ddd[:, 1], ddd[:, 2]
-#Можно сразу примерно посмотреть, что получится в
+#Можно сразу примерно посмотреть, что получится в итоге
-итоге
 from mpl_toolkits.mplot3d import Axes3D
 fig = plt.figure()
 ax = fig.add_subplot(111, projection='3d')
@@ -232,4 +227,4 @@ ax.set_xlabel('X')
 ax.set_ylabel('Y')
 ax.set_zlabel('Z')
 plt.show()
-```
+```