Кластеризация K-средних
На собеседовании по машинному обучению вас могут спросить, как результаты кластеризации K-средних помогают оценить её эффективность как наилучшего алгоритма.
В этом упражнении вы попрактикуетесь в кластеризации K-средних. С помощью атрибута .inertia_ вы сравните модели с разным числом кластеров k, а затем используете эту информацию для выбора оптимального числа кластеров в следующем упражнении.
Напомним, что целевая переменная в наборе данных diabetes — это progression.
Ваше место в пайплайне:
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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_)