Kareler toplamı hatasını hesapla ve görselleştir

Şimdi, küme sayısı 1'den 10'a kadar değişirken kareler toplamı hatasını hesaplayacaksın.

Önceki egzersizde oluşturduğun normalize edilmiş RFMT verisini kullanacaksın; bu veri datamart_rfmt_normalized olarak saklı. scikit-learn içindeki KMeans modülü de içe aktarılmış durumda. Ayrıca, kareler toplamı hatalarını saklamak için boş bir sözlük başlattık: sse = {}.

Konsolda veriyi özgürce keşfedebilirsin.

Bu egzersiz, kursun bir parçasıdır

Python ile Müşteri Segmentasyonu

Kursa Göz Atın

Egzersiz talimatları

KMeans'i k küme ve random_state 1 ile başlat ve normalize edilmiş veri kümesi üzerinde fit et.
Kareler toplamı uzaklıkları sse sözlüğünün k öğesine ata.
Grafik başlığını "The Elbow Method", X ekseni etiketini "k" ve Y ekseni etiketini "SSE" olarak ekle.
Sözlükte anahtarlar olarak saklanan her k için SSE değerlerini görselleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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()

Kodu Düzenle ve Çalıştır