НачатьНачать бесплатно

Кластеризация двумерных точек

Из точечной диаграммы предыдущего упражнения вы увидели, что точки, по всей видимости, разделяются на 3 кластера. Теперь вы создадите модель KMeans, чтобы найти эти 3 кластера, и обучите её на данных из предыдущего упражнения. После обучения модели вы получите метки кластеров для новых точек с помощью метода .predict().

Вам доступен массив points из предыдущего упражнения, а также массив new_points.

Это упражнение является частью курса

Обучение без учителя на Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте KMeans из sklearn.cluster.
  • С помощью KMeans() создайте экземпляр KMeans с именем model для поиска 3 кластеров. Чтобы задать количество кластеров, используйте именованный аргумент n_clusters.
  • Вызовите метод .fit() объекта model, чтобы обучить модель на массиве точек points.
  • Вызовите метод .predict() объекта model, чтобы предсказать метки кластеров для new_points, и сохраните результат в переменную labels.
  • Нажмите «Отправить ответ», чтобы увидеть метки кластеров для new_points.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import KMeans
____

# Create a KMeans instance with 3 clusters: model
model = ____

# Fit model to points
____

# Determine the cluster labels of new_points: labels
labels = ____

# Print cluster labels of new_points
print(labels)
Редактировать и запускать код