Výpočet a vizualizace součtu čtverců chyb

Teď vypočítáš součet čtverců chyb pro různé počty clusterů v rozsahu od 1 do 10.

Použiješ normalizovaná RFMT data vytvořená v předchozím cvičení, která jsou uložena jako datamart_rfmt_normalized. Modul KMeans z balíčku scikit-learn je již naimportován. Také jsme inicializovali prázdný slovník pro ukládání součtu čtverců chyb: sse = {}.

Klidně si data nejdřív prozkoumej v konzoli.

Toto cvičení je součástí kurzu

Segmentace zákazníků v Pythonu

Zobrazit kurz

Pokyny k cvičení

Inicializuj KMeans s k clustery a náhodným stavem 1 a přizpůsob KMeans na normalizovaný dataset.
Přiřaď součet čtverců vzdáleností k prvku k ve slovníku sse.
Přidej název grafu „The Elbow Method", popisek osy X „k" a popisek osy Y „SSE".
Vykresli hodnoty SSE pro každé k uložené jako klíče ve slovníku.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit KMeans and calculate SSE for each k between 1 and 10
for k in range(1, 11):
  
    # Initialize KMeans with k clusters and fit it 
    kmeans = ____(____=____, ____=1 ).____(datamart_rfmt_normalized)
    
    # Assign sum of squared distances to k element of the sse dictionary
    ____[____] = kmeans.____   

# Add the plot title, x and y axis labels
plt.____('The Elbow Method')
plt.____('____')
plt.____('____')

# Plot SSE values for each k stored as keys in the dictionary
sns.____(x=list(sse.____()), y=list(sse.____()))
plt.show()

Upravit a spustit kód