K-means-klustring
En av de vanligaste klustringsalgoritmerna är K-means-klustring. Vid bedrägeridetektion är K-means enkelt att implementera och relativt kraftfullt för att identifiera misstänkta fall. Det är en bra startpunkt när du arbetar med bedrägeridetektionsproblem. Bedrägeridata är dock ofta mycket stor, särskilt när du hanterar transaktionsdata. MiniBatch K-means är ett effektivt sätt att implementera K-means på stora datamängder, och det är den metod du använder i den här övningen.
Den skalade datan från föregående övning, X_scaled, finns tillgänglig. Nu kör vi.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Importera
MiniBatchKMeansfrånsklearn. - Initiera MiniBatch K-means-modellen med 8 kluster.
- Träna modellen på din skalade data.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import MiniBatchKmeans
from sklearn.cluster import ____
# Define the model
kmeans = ____(n_clusters=____, random_state=0)
# Fit the model to the scaled data
kmeans.____(____)