Hitung sum of squared errors

Dalam latihan ini, Anda akan menghitung sum of squared errors untuk berbagai jumlah klaster dari 1 hingga 15. Pada contoh ini kita menggunakan himpunan data kustom untuk mendapatkan pembacaan elbow yang lebih jelas.

Kami telah memuat versi ternormalisasi dari data sebagai data_normalized. Modul KMeans dari scikit-learn sudah diimpor. Selain itu, kami telah menginisialisasi kamus kosong untuk menyimpan sum of squared errors sebagai sse = {}.

Silakan jelajahi data di konsol.

Latihan ini merupakan bagian dari kursus

Segmentasi Pelanggan dengan Python

Lihat Kursus

Instruksi latihan

Latih KMeans dan hitung SSE untuk setiap k dengan rentang antara 1 hingga 15.
Inisialisasi KMeans dengan k klaster dan random state 1.
Latih KMeans pada himpunan data yang telah dinormalisasi.
Tetapkan jumlah jarak kuadrat ke elemen k dari kamus sse.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Fit KMeans and calculate SSE for each k
for k in range(____, ____):
  
    # Initialize KMeans with k clusters
    kmeans = ____(n_clusters=____, random_state=1)
    
    # Fit KMeans on the normalized dataset
    kmeans.____(data_normalized)
    
    # Assign sum of squared distances to k element of dictionary
    sse[____] = kmeans.____

Edit dan Jalankan Kode