Calcola e traccia la somma degli errori quadratici

Ora calcolerai la somma degli errori quadratici per un numero di cluster da 1 a 10.

Userai i dati RFMT normalizzati che hai creato nell'esercizio precedente, salvati come datamart_rfmt_normalized. Il modulo KMeans di scikit-learn è già importato. Inoltre, abbiamo inizializzato un dizionario vuoto per salvare le somme degli errori quadratici come sse = {}.

Sentiti liber* di esplorare i dati nella console.

Questo esercizio fa parte del corso

Customer Segmentation in Python

Visualizza corso

Istruzioni dell'esercizio

Inizializza KMeans con k cluster e random_state 1 e applica il fit di KMeans sul dataset normalizzato.
Assegna la somma delle distanze quadratiche all'elemento k del dizionario sse.
Aggiungi il titolo del grafico "The Elbow Method", l'etichetta dell'asse X "k" e l'etichetta dell'asse Y "SSE".
Traccia i valori di SSE per ciascun k salvato come chiave nel dizionario.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Fit KMeans and calculate SSE for each k between 1 and 10
for k in range(1, 11):
  
    # Initialize KMeans with k clusters and fit it 
    kmeans = ____(____=____, ____=1 ).____(datamart_rfmt_normalized)
    
    # Assign sum of squared distances to k element of the sse dictionary
    ____[____] = kmeans.____   

# Add the plot title, x and y axis labels
plt.____('The Elbow Method')
plt.____('____')
plt.____('____')

# Plot SSE values for each k stored as keys in the dictionary
sns.____(x=list(sse.____()), y=list(sse.____()))
plt.show()

Modifica ed esegui il codice