Effectuer un Clustering K-means

Tâche

Swipe to start coding

Vérifions l'efficacité de l'algorithme sur différents types de clusters. Nous allons maintenant utiliser les trois ensembles de données intégrés de la bibliothèque sklearn et essayer d'utiliser l'algorithme K-means pour regrouper les points correspondants. Nous fournirons des visualisations et essaierons d'estimer la qualité du regroupement à l'aide de ces visualisations.

Votre tâche consiste à utiliser l'algorithme de clustering K-means et à résoudre 3 problèmes de clustering différents. Comparez les résultats et tirez des conclusions sur la qualité du clustering. Vous devez :

Utiliser la classe KMeans du module cluster pour l'importation.
Utiliser la classe KMeans pour instancier un objet de classe
Utiliser la méthode .fit() pour entraîner le modèle.
Utiliser l'attribut .labels_ pour extraire les clusters ajustés.

_{Une fois que vous avez terminé cette tâche, cliquez sur le bouton sous le code pour vérifier votre solution.}

Solution

Note

Dans les visualisations, il est nécessaire de ne pas regarder la couleur des clusters, mais la position relative des points dans les clusters réels et prédits (Python peut colorer les mêmes clusters avec des couleurs différentes dans différentes images en raison des caractéristiques d'implémentation)

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 2

Effectuer un Clustering K-means

Tâche

Swipe to start coding

Utiliser la classe KMeans du module cluster pour l'importation.
Utiliser la classe KMeans pour instancier un objet de classe
Utiliser la méthode .fit() pour entraîner le modèle.
Utiliser l'attribut .labels_ pour extraire les clusters ajustés.

_{Une fois que vous avez terminé cette tâche, cliquez sur le bouton sous le code pour vérifier votre solution.}

Solution

Note

Dans les visualisations, il est nécessaire de ne pas regarder la couleur des clusters, mais la position relative des points dans les clusters réels et prédits (Python peut colorer les mêmes clusters avec des couleurs différentes dans différentes images en raison des caractéristiques d'implémentation)

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 2

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous