K-means-klustring
I en maskininlärningsintervju kan du bli ombedd att förklara hur resultatet från K-means-klustring kan användas för att bedöma om det är den bästa algoritmen.
I den här övningen får du öva på K-means-klustring. Du använder attributet .inertia_ för att jämföra modeller med olika antal kluster, k, och använder sedan den informationen för att bedöma lämpligt klusterantal i nästa övning.
Kom ihåg att målvariabeln i datamängden diabetes är progression.
Här befinner du dig i pipeline:
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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_)