K-means clustering
Jedním z nejpoužívanějších shlukovacích algoritmů je K-means clustering. Pro detekci podvodů je K-means snadný na implementaci a přitom poměrně výkonný při odhalování podezřelých případů. Jde o dobrý algoritmus, se kterým začít při práci na problémech detekce podvodů. Podvodová data jsou ale často velmi rozsáhlá – zvláště když pracuješ s transakčními daty. MiniBatch K-means je efektivní způsob, jak K-means aplikovat na velké datasety, a právě ten využiješ v tomto cvičení.
Očištěná data z předchozího cvičení jsou dostupná jako X_scaled. Pojďme to vyzkoušet.
Toto cvičení je součástí kurzu
Detekce podvodů v Pythonu
Pokyny k cvičení
- Importuj
MiniBatchKMeanszsklearn. - Inicializuj model MiniBatch K-means s 8 shluky.
- Natrénuj model na svých očištěných datech.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import MiniBatchKmeans
from sklearn.cluster import ____
# Define the model
kmeans = ____(n_clusters=____, random_state=0)
# Fit the model to the scaled data
kmeans.____(____)