Beräkna och plotta summan av kvadratfel

Nu ska du beräkna summan av kvadratfel för olika antal kluster, från 1 till 10.

Du använder den normaliserade RFMT-datan som du skapade i föregående övning – den är lagrad som datamart_rfmt_normalized. Modulen KMeans från scikit-learn är redan importerad. Vi har också initierat en tom ordbok för att lagra summan av kvadratfel: sse = {}.

Utforska gärna datan i konsolen.

Den här övningen är en del av kursen

Kundsegmentering i Python

Visa kurs

Övningsinstruktioner

Initiera KMeans med k kluster och slumptillståndet 1, och anpassa KMeans på den normaliserade datamängden.
Tilldela summan av kvadratavstånden till elementet k i ordboken sse.
Lägg till plottiteln "The Elbow Method", etiketten "k" på x-axeln och etiketten "SSE" på y-axeln.
Plotta SSE-värdena för varje k som är lagrade som nycklar i ordboken.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Fit KMeans and calculate SSE for each k between 1 and 10
for k in range(1, 11):
  
    # Initialize KMeans with k clusters and fit it 
    kmeans = ____(____=____, ____=1 ).____(datamart_rfmt_normalized)
    
    # Assign sum of squared distances to k element of the sse dictionary
    ____[____] = kmeans.____   

# Add the plot title, x and y axis labels
plt.____('The Elbow Method')
plt.____('____')
plt.____('____')

# Plot SSE values for each k stored as keys in the dictionary
sns.____(x=list(sse.____()), y=list(sse.____()))
plt.show()

Redigera och kör kod