Grupowanie metodą K-średnich
Na rozmowie kwalifikacyjnej z uczenia maszynowego możesz zostać zapytany, w jaki sposób wyniki grupowania metodą K-średnich można wykorzystać do oceny tego algorytmu jako najlepszego wyboru.
W tym ćwiczeniu przećwiczysz grupowanie metodą K-średnich. Używając atrybutu .inertia_ do porównywania modeli z różną liczbą skupień k, zgromadzisz informacje potrzebne do oceny optymalnej liczby skupień w kolejnym ćwiczeniu.
Pamiętaj, że zmienną docelową w zbiorze danych diabetes jest progression.
Twoje miejsce w potoku:
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import module
from sklearn.cluster import KMeans
# Create feature matrix
X = diabetes.____("____", axis=1)
# Instantiate
kmeans = KMeans(n_clusters=2, random_state=123)
# Fit
fit = kmeans.____(____)
# Print inertia
print("Sum of squared distances for 2 clusters is", kmeans.inertia_)