Klastrowanie K-means
Jednym z najczęściej stosowanych algorytmów klastrowania jest klastrowanie K-means. W wykrywaniu fraudów K-means jest prosty we wdrożeniu i całkiem skuteczny w identyfikowaniu podejrzanych przypadków. To dobry punkt startowy przy pracy z problemami detekcji fraudów. Dane dotyczące fraudów bywają jednak bardzo duże – zwłaszcza gdy pracujesz z danymi transakcyjnymi. MiniBatch K-means to wydajny sposób na zastosowanie K-means do dużych zbiorów danych i właśnie z niego skorzystasz w tym ćwiczeniu.
Dane ze skalowania z poprzedniego ćwiczenia są dostępne jako X_scaled. Do dzieła!
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj
MiniBatchKMeansz bibliotekisklearn. - Zainicjalizuj model MiniBatch K-means z 8 klastrami.
- Dopasuj model do przeskalowanych danych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import MiniBatchKmeans
from sklearn.cluster import ____
# Define the model
kmeans = ____(n_clusters=____, random_state=0)
# Fit the model to the scaled data
kmeans.____(____)