Armbågsmetoden
I den föregående övningen implementerade du MiniBatch K-means med 8 kluster, utan att kontrollera vilket antal kluster som faktiskt är lämpligt. För vår första metod för bedrägeridetektering är det viktigt att välja rätt antal kluster, särskilt när du vill använda avvikande punkter i klustrena som bedrägeriprediktioner. För att avgöra vilket antal kluster som ska användas tillämpar vi armbågsmetoden och ser vilket optimalt antal kluster den föreslår.
X_scaled är tillgänglig och MiniBatchKMeans har importerats från sklearn.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Definiera intervallet till mellan 1 och 5 kluster.
- Kör MiniBatch K-means på alla kluster i intervallet med hjälp av listomfattning.
- Anpassa varje modell till den skalade datan och hämta poängen från den skalade datan.
- Plotta klusternumren och deras respektive poäng – det kan ta några sekunder att köra.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define the range of clusters to try
clustno = range(____, ____)
# Run MiniBatch Kmeans over the number of clusters
kmeans = [____(n_clusters=i, random_state=0) for ____ in ____]
# Obtain the score for each model
score = [kmeans[i].fit(____).score(____) for i in range(len(kmeans))]
# Plot the models and their respective score
plt.plot(____, ____)
plt.xlabel('Number of Clusters')
plt.ylabel('Score')
plt.title('Elbow Curve')
plt.show()