1. Learn
    2. /
  2. Courses
    3. /
  3. Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Connected

Exercise

Metoda sylwetkowa

W poprzedniej lekcji miałeś okazję zobaczyć, jak różna liczba skupień wpływa na działanie algorytmu K-średnich. W kontekście rozmowy kwalifikacyjnej jest to szczególnie istotne – optymalna liczba skupień daje najlepsze wyniki.

W tym ćwiczeniu użyjesz funkcji silhouette_score() z biblioteki sklearn.metrics na algorytmach K-średnich uruchomionych na zbiorze danych diabetes, aby zastosować metodę sylwetkową do wyznaczenia optymalnej liczby skupień. Podczas obliczania wyniku zostanie użyta odległość euklidesowa, co zapewnia porównywalność z metodą łokcia.

Macierz cech X, której użyjesz do trenowania modeli K-średnich, została już przygotowana.

Znajdujesz się w tym samym miejscu w potoku co w poprzednich ćwiczeniach, ale tym razem dodasz również etap predykcji: Machine learning pipeline

Instructions 1/3

undefined XP
    1
    2
    3
  • Zaimportuj niezbędne moduły, aby utworzyć instancję algorytmu K-średnich i obliczyć jego wynik sylwetkowy.