Regroupement K-means
Un algorithme de regroupement très utilisé est le regroupement K-means. En détection de fraude, K-means est simple à mettre en place et assez performant pour repérer des cas suspects. C'est un bon point de départ quand vous travaillez sur des problèmes de détection de fraude. Toutefois, les données de fraude sont souvent très volumineuses, surtout lorsqu'il s'agit de données de transactions. MiniBatch K-means est une façon efficace d'appliquer K-means sur un grand jeu de données, et vous l'utiliserez dans cet exercice.
Les données mises à l'échelle de l'exercice précédent, X_scaled, sont disponibles. Allons-y et essayons.
Cette activité fait partie du cours
Détection de fraude en Python
Instructions de l’exercice
- Importez
MiniBatchKMeansdesklearn. - Initialisez le modèle minibatch k-means avec 8 grappes.
- Ajustez le modèle à vos données mises à l'échelle.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import MiniBatchKmeans
from sklearn.cluster import ____
# Define the model
kmeans = ____(n_clusters=____, random_state=0)
# Fit the model to the scaled data
kmeans.____(____)