Calcolare la somma degli errori al quadrato
In questo esercizio calcolerai la somma degli errori al quadrato per un numero di cluster che va da 1 a 15. In questo esempio usiamo un insieme di dati creato ad hoc per ottenere un grafico del gomito più chiaro.
Abbiamo caricato la versione normalizzata dei dati come data_normalized. Il modulo KMeans di scikit-learn è già importato. Inoltre, abbiamo inizializzato un dizionario vuoto per salvare la somma degli errori al quadrato come sse = {}.
Sentiti libero di esplorare i dati nella console.
Questo esercizio fa parte del corso
Customer Segmentation in Python
Istruzioni dell'esercizio
- Esegui il fit di KMeans e calcola la SSE per ogni
kcon un intervallo tra 1 e 15. - Inizializza KMeans con
kcluster erandom_statepari a 1. - Esegui il fit di KMeans sul dataset normalizzato.
- Assegna la somma delle distanze al quadrato all’elemento
kdel dizionariosse.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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.____