शुरू करेंमुफ़्त में शुरू करें

फीडबैक क्लस्टरिंग के लिए K-means

आपके पास फीडबैक प्रतिक्रियाओं का एक डेटासेट है, और आपने प्रत्येक प्रतिक्रिया के लिए एक GPT मॉडल से कॉन्फिडेंस स्कोर निकाले हैं. असामान्य या आउटलाईयर फीडबैक पहचानने के लिए, आप लो-कॉन्फिडेंस प्रतिक्रियाओं पर k-means क्लस्टरिंग लागू करते हैं.

KMeans एल्गोरिदम, reviews और confidences वैरिएबल, और np लाइब्रेरी पहले से लोड हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

मानवीय फीडबैक से रिइनफोर्समेंट लर्निंग (RLHF)

पाठ्यक्रम देखें

अभ्यास निर्देश

  • k-means एल्गोरिदम को इनिशियलाइज़ करें. कोड की पुनरुत्पादकता के लिए random_state को 42 सेट करें.
  • आउटलाईयर पहचानने के लिए क्लस्टर सेंटर्स से दूरी निकालें, यानी data और संबंधित क्लस्टर सेंटर्स के बीच का अंतर गणना करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

def detect_anomalies(data, n_clusters=3):
    # Initialize k-means
    ____
    clusters = kmeans.fit_predict(data)
    centers = kmeans.cluster_centers_

    # Calculate distances from cluster centers
    ____
    return distances
  
anomalies = detect_anomalies(confidences)
print(anomalies)
कोड संपादित करें और चलाएँ