Silhouette-metoden
I den senaste lektionen fick du se hur olika antal kluster påverkar prestandan hos din K-Means-algoritm. Det är särskilt viktigt i ett intervjusammanhang, eftersom det optimala antalet kluster ger bäst resultat.
I den här övningen använder du funktionen silhouette_score() från sklearn.metrics på K-Means-algoritmer som körs på diabetes-DataFramen, för att tillämpa silhouette-metoden och hitta det optimala antalet kluster. Observera att du använder euklidiskt avstånd vid beräkningen av poängen, vilket säkerställer jämförbarhet med armbågsmetoden.
Särdragsmatrisen X som du använder för att träna K-Means-modellerna har redan skapats åt dig.
Du befinner dig på samma ställe i pipelinen som i de senaste övningarna, men här lägger du också till steget prediktion:
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 modules
from sklearn.____ import ____
from sklearn.____ import ____