Shlukování K-means
Na pohovoru z oblasti machine learningu tě mohou požádat, jak lze využít výstup shlukování K-means k vyhodnocení toho, zda jde o nejvhodnější algoritmus.
V tomto cvičení si shlukování K-means procvičíš. Pomocí atributu .inertia_ porovnáš modely s různými počty shluků k a v dalším cvičení tyto informace využiješ k výběru optimálního počtu shluků.
Měj na paměti, že cílová proměnná v datové sadě diabetes je progression.
Kde se v pipeline nacházíš:
Toto cvičení je součástí kurzu
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import module
from sklearn.cluster import KMeans
# Create feature matrix
X = diabetes.____("____", axis=1)
# Instantiate
kmeans = KMeans(n_clusters=2, random_state=123)
# Fit
fit = kmeans.____(____)
# Print inertia
print("Sum of squared distances for 2 clusters is", kmeans.inertia_)