Conteúdo do Curso
Cluster Analysis
1. O que é Agrupamento?
3. Como escolher o melhor modelo?
Cluster Analysis
Desafio: K-means
Tarefa
Vamos verificar a eficiência do algoritmo em diferentes tipos de agrupamentos. Agora usaremos os três conjuntos de dados integrados da biblioteca sklearn e tentaremos usar o algoritmo K-means para agrupar os pontos correspondentes. Forneceremos visualizações e tentaremos estimar a qualidade do agrupamento usando essas visualizações.
Sua tarefa é usar o algoritmo de agrupamento K-means e resolver 3 diferentes problemas de agrupamento. Compare os resultados e tire conclusões sobre a qualidade do agrupamento. Você deve:
- Usar a classe
KMeans
do módulocluster
para importação. - Usar a classe
KMeans
para instanciar um objeto da classe. - Usar o método
.fit()
para treinar o modelo. - Usar o atributo
.labels_
para extrair os agrupamentos ajustados.
Depois de completar esta tarefa, clique no botão abaixo do código para verificar sua solução.
Nota
Em visualizações, é necessário focar não na cor dos agrupamentos, mas na posição relativa dos pontos em agrupamentos reais e previstos (o Python pode colorir os mesmos agrupamentos com cores diferentes em diferentes imagens devido a características da implementação)
Tudo estava claro?
Conteúdo do Curso
Cluster Analysis
1. O que é Agrupamento?
3. Como escolher o melhor modelo?
Cluster Analysis
Desafio: K-means
Tarefa
Vamos verificar a eficiência do algoritmo em diferentes tipos de agrupamentos. Agora usaremos os três conjuntos de dados integrados da biblioteca sklearn e tentaremos usar o algoritmo K-means para agrupar os pontos correspondentes. Forneceremos visualizações e tentaremos estimar a qualidade do agrupamento usando essas visualizações.
Sua tarefa é usar o algoritmo de agrupamento K-means e resolver 3 diferentes problemas de agrupamento. Compare os resultados e tire conclusões sobre a qualidade do agrupamento. Você deve:
- Usar a classe
KMeans
do módulocluster
para importação. - Usar a classe
KMeans
para instanciar um objeto da classe. - Usar o método
.fit()
para treinar o modelo. - Usar o atributo
.labels_
para extrair os agrupamentos ajustados.
Depois de completar esta tarefa, clique no botão abaixo do código para verificar sua solução.
Nota
Em visualizações, é necessário focar não na cor dos agrupamentos, mas na posição relativa dos pontos em agrupamentos reais e previstos (o Python pode colorir os mesmos agrupamentos com cores diferentes em diferentes imagens devido a características da implementação)
Tudo estava claro?