資料前處理
在分群前先做資料前處理，可以讓分群更準確。其中一種前處理是特徵縮放，用來將資料中的自變數標準化到固定範圍，例如 0-1 或 0-100。
在這個練習中，你會對學生表現資料集（已載入為 performance）中的 parental_level_of_education 與 writing_score 欄位進行分群。你會先不做任何前處理就建立並執行 k-means 模型。接著，再用特徵縮放做前處理後，重複一次相同流程。
已從 diffprivlib.models 匯入具隱私保護的 k-means 模型 KMeans。此外，也從 sklearn 匯入了標準化縮放器 StandardScaler 與降維方法 PCA。
本練習屬於課程
Data Privacy and Anonymization in Python
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Build the differentially private k-means model
model = KMeans(____)
# Fit the model to the data
____
# Print the inertia in the console output
print("The inertia of the private model is: ", model.inertia_)