Oblicz i zwizualizuj sumę kwadratów błędów

Teraz obliczysz sumę kwadratów błędów dla różnych liczb klastrów – od 1 do 10.

Skorzystasz ze znormalizowanych danych RFMT utworzonych w poprzednim ćwiczeniu, przechowywanych jako datamart_rfmt_normalized. Moduł KMeans z biblioteki scikit-learn jest już zaimportowany. Zainicjalizowaliśmy też pusty słownik do przechowywania sum kwadratów błędów: sse = {}.

Możesz swobodnie eksplorować dane w konsoli.

To ćwiczenie jest częścią kursu

Segmentacja klientów w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zainicjalizuj KMeans z k klastrami i losowym ziarnem 1, a następnie dopasuj model do znormalizowanego zbioru danych.
Przypisz sumę kwadratów odległości do elementu k słownika sse.
Dodaj tytuł wykresu "The Elbow Method", etykietę osi X "k" oraz etykietę osi Y "SSE".
Wykreśl wartości SSE dla każdego k przechowanego jako klucz w słowniku.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod