计算并绘制误差平方和

现在，您将计算聚类数从 1 到 10 不同取值下的误差平方和。

您将使用上个练习中创建并已标准化的 RFMT 数据，存为 datamart_rfmt_normalized。scikit-learn 中的 KMeans 模块也已导入。我们还初始化了一个空字典 sse = {} 用于存储误差平方和。

您可以在控制台中自由探索这些数据。

本练习是课程的一部分

Python 中的客户细分

查看课程

练习说明

使用 k 个聚类并将随机种子设为 1 来初始化 KMeans，并在标准化数据集上拟合该 KMeans。
将误差平方距离之和赋给字典 sse 中键为 k 的元素。
添加图表标题 "The Elbow Method"，X 轴标签 "k"，Y 轴标签 "SSE"。
绘制存储在字典键中的每个 k 对应的 SSE 值。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()

编辑并运行代码