Clustering K-means
Lors d’un entretien en Machine Learning, on peut vous demander comment utiliser la sortie d’un clustering K-means pour évaluer s’il s’agit du meilleur algorithme.
Dans cet exercice, vous allez pratiquer le clustering K-means. En utilisant l’attribut .inertia_ pour comparer des modèles avec différents nombres de clusters, k, vous utiliserez ensuite ces informations pour choisir le nombre de clusters dans l’exercice suivant.
Rappelez-vous que la variable cible dans le jeu de données diabetes est progression.
Où vous en êtes dans le pipeline :
Cet exercice fait partie du cours
S’entraîner aux questions d’entretien en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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_)