Кластеризація K-means
На співбесіді з машинного навчання вас можуть запитати, як використати результат кластеризації K-means, щоб оцінити її ефективність як найкращого алгоритму.
У цій вправі ви попрактикуєте кластеризацію K-means. Використовуючи атрибут .inertia_ для порівняння моделей з різною кількістю кластерів k, ви також застосуєте цю інформацію, щоб оцінити кількість кластерів у наступній вправі.
Пригадайте, що цільова змінна в наборі даних diabetes — це progression.
Ваше місце в конвеєрі:
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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_)