Calcula y representa la suma de errores cuadrados

Ahora vas a calcular la suma de errores cuadrados para distintos números de clústeres, de 1 a 10.

Usarás los datos RFMT normalizados que creaste en el ejercicio anterior, guardados como datamart_rfmt_normalized. El módulo KMeans de scikit-learn también está importado. Además, hemos inicializado un diccionario vacío para guardar la suma de errores cuadrados como sse = {}.

Si quieres, explora los datos en la consola.

Este ejercicio forma parte del curso

Segmentación de clientes en Python

Ver curso

Instrucciones del ejercicio

Inicializa KMeans con k clústeres y random_state=1, y ajusta KMeans sobre el conjunto normalizado.
Asigna la suma de distancias cuadradas al elemento k del diccionario sse.
Añade el título del gráfico "The Elbow Method", la etiqueta del eje X "k" y la etiqueta del eje Y "SSE".
Representa los valores de SSE para cada k guardado como clave en el diccionario.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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()

Editar y ejecutar código