K-means क्लस्टरिंग
एक बहुत प्रचलित क्लस्टरिंग एल्गोरिदम है K-means क्लस्टरिंग. फ्रॉड डिटेक्शन के लिए, K-means क्लस्टरिंग लागू करना आसान है और संदिग्ध मामलों की भविष्यवाणी में काफ़ी असरदार होती है. फ्रॉड डिटेक्शन समस्याओं पर काम शुरू करते समय यह एक अच्छा एल्गोरिदम है. हालाँकि, फ्रॉड डेटा अक्सर बहुत बड़ा होता है, खासकर जब आप ट्रांज़ैक्शन डेटा के साथ काम कर रहे हों. बड़े डेटासेट पर K-means लागू करने का एक कुशल (efficient) तरीका है MiniBatch K-means, जिसका उपयोग आप इस अभ्यास में करेंगे.
पिछले अभ्यास का स्केल किया हुआ डेटा X_scaled उपलब्ध है. आइए इसे आज़माएँ.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Fraud Detection
अभ्यास निर्देश
sklearnसेMiniBatchKMeansइम्पोर्ट करें.- 8 क्लस्टर्स के साथ मिनीबैच kmeans मॉडल इनिशियलाइज़ करें.
- अपने स्केल किए हुए डेटा पर मॉडल फिट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import MiniBatchKmeans
from sklearn.cluster import ____
# Define the model
kmeans = ____(n_clusters=____, random_state=0)
# Fit the model to the scaled data
kmeans.____(____)