Agrupamento K-means
Em uma entrevista de Machine Learning, é possível que perguntem como a saída do agrupamento K-means pode ser usada para avaliar seu desempenho como o melhor algoritmo.
Neste exercício, você vai praticar o agrupamento K-means. Usando o atributo .inertia_ para comparar modelos com diferentes números de clusters, k, você também usará essas informações para avaliar o número de clusters no próximo exercício.
Lembre-se de que a variável-alvo no conjunto de dados diabetes é progression.
Onde você está no pipeline:
Este exercício faz parte do curso
Praticando perguntas de entrevista de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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_)