Metodo della silhouette
Nell’ultima lezione hai visto come numeri diversi di cluster influenzino le prestazioni del tuo algoritmo K-Means. Questo è particolarmente rilevante in un colloquio, perché il numero ottimale di cluster produce i risultati migliori.
In questo esercizio userai la funzione silhouette_score() di sklearn.metrics su algoritmi K-Means eseguiti sul DataFrame diabetes per applicare il metodo della silhouette e trovare il numero ottimale di cluster. Nota che userai la distanza euclidea per il calcolo dello score, così da garantire la comparabilità con il metodo del gomito (Elbow).
La matrice delle caratteristiche X che userai per addestrare i modelli K-Means è già stata creata per te.
Sei allo stesso punto della pipeline degli ultimi esercizi, ma qui aggiungerai anche la fase di predizione:
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Import modules
from sklearn.____ import ____
from sklearn.____ import ____