确定最佳聚类数

在本练习中，您将使用肘部法（elbow criterion）来确定最佳的聚类数，即误差平方和的下降开始变得微弱的位置。这一步很重要，它能为您提供一个可用于起步测试的聚类数量大致范围。您将遍历多个 k（聚类数），对每个值运行一次 KMeans 算法，然后将各个 k 对应的误差绘图，对比找到误差下降放缓的"肘部"位置。

已从 sklearn.cluster 加载 KMeans 模块，已将 seaborn 库加载为 sns，并将 matplotlib.pyplot 加载为 plt。另外，已将标准化后的数据集作为 wholesale_scaled_df 加载为一个 pandas DataFrame。

本练习是课程的一部分

Python 营销中的机器学习

查看课程

练习说明

创建一个空的 sse 字典。
在 k 取值 1 到 11 的范围内拟合 KMeans 算法，并将误差存入 sse 字典。
为图表添加标题。
以字典的键为 X 轴、值为 Y 轴创建散点图，并显示图表。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Create empty sse dictionary
sse = {}

# Fit KMeans algorithm on k values between 1 and 11
for k in ___(1, 11):
    kmeans = ___(n_clusters=___, random_state=333)
    kmeans.___(wholesale_scaled_df)
    sse[k] = kmeans.inertia_

# Add the title to the plot
plt.___('Elbow criterion method chart')

# Create and display a scatter plot
sns.pointplot(x=list(sse.___()), y=list(sse.___()))
plt.___()

编辑并运行代码