Clustering K-means

Un algoritmo de clustering muy utilizado es el clustering K-means. Para la detección de fraude, K-means es sencillo de implementar y relativamente potente para predecir casos sospechosos. Es un buen algoritmo con el que empezar cuando trabajas en problemas de detección de fraude. Sin embargo, los datos de fraude suelen ser muy grandes, especialmente cuando trabajas con datos de transacciones. MiniBatch K-means es una forma eficiente de aplicar K-means en un conjunto de datos grande, que usarás en este ejercicio.

Tienes disponible el conjunto de datos escalados del ejercicio anterior, X_scaled. Vamos a probarlo.

Este ejercicio forma parte del curso

Fraud Detection in Python

Ver curso

Instrucciones del ejercicio

Importa MiniBatchKMeans de sklearn.
Inicializa el modelo de minibatch k-means con 8 clústeres.
Ajusta el modelo a tus datos escalados.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import MiniBatchKmeans 
from sklearn.cluster import ____

# Define the model 
kmeans = ____(n_clusters=____, random_state=0)

# Fit the model to the scaled data
kmeans.____(____)

Editar y ejecutar código