ПочатиПочніть безкоштовно

Кластеризація двовимірних точок

Із розсіювального графіка з попередньої вправи видно, що точки поділяються на 3 кластери. Тепер ви створите модель KMeans, щоб знайти 3 кластери, і навчите її на масиві точок з попередньої вправи. Після навчання моделі ви отримаєте мітки кластерів для нових точок за допомогою методу .predict().

Вам надано масив points з попередньої вправи, а також масив new_points.

Ця вправа є частиною курсу

Наглядове навчання в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте KMeans з sklearn.cluster.
  • За допомогою KMeans() створіть екземпляр KMeans під назвою model для пошуку 3 кластерів. Щоб вказати кількість кластерів, використайте ключовий аргумент n_clusters.
  • Використайте метод .fit() об'єкта model, щоб навчити модель на масиві точок points.
  • Використайте метод .predict() об'єкта model, щоб передбачити мітки кластерів для new_points, і збережіть результат у змінній labels.
  • Натисніть Надіслати відповідь, щоб побачити мітки кластерів для new_points.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import KMeans
____

# Create a KMeans instance with 3 clusters: model
model = ____

# Fit model to points
____

# Determine the cluster labels of new_points: labels
labels = ____

# Print cluster labels of new_points
print(labels)
Редагувати та запускати код