CommencerCommencez gratuitement

Regroupement de points 2D

À partir du diagramme en nuage de points de l'exercice précédent, vous avez observé que les points semblent se séparer en trois clusters. Vous allez maintenant créer un modèle KMeans pour trouver trois clusters et l'ajuster aux points de données de l'exercice précédent. Une fois le modèle ajusté, vous obtiendrez les étiquettes de cluster pour certains nouveaux points à l'aide de la méthode .predict().

Vous disposez du tableau points de l'exercice précédent, ainsi que d'un tableau new_points.

Cet exercice fait partie du cours

<cours>Apprentissage non supervisé en Python</cours>
Voir le cours

Instructions de l’exercice

  • Importez KMeans depuis sklearn.cluster.
  • À l'aide de KMeans(), créez une instance KMeans appelée model afin d'identifier 3 clusters. Pour spécifier le nombre de clusters, utilisez l'argument clé n_clusters.
  • Utilisez la méthode .fit() de model pour ajuster le modèle à la matrice de points points.
  • Utilisez la méthode .predict() de model pour prédire les étiquettes de cluster de new_points, en attribuant le résultat à labels.
  • Cliquez sur « Soumettre » pour afficher les étiquettes de cluster de new_points.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import KMeans
____

# Create a KMeans instance with 3 clusters: model
model = ____

# Fit model to points
____

# Determine the cluster labels of new_points: labels
labels = ____

# Print cluster labels of new_points
print(labels)
Modifier et exécuter le code