谁能解释一下在k-means中肘部网格下面的代码是什么意思？

Question

实例化集群模型和可视化工具

model = KMeans(random_state = 42)

visualizer = KElbowVisualizer(model, k=(2,10))

使数据适合可视化工具

visualizer.fit(df_final.values)

最终确定并渲染图形

visualizer.show()

Answer 1

K-means是一种无监督学习，该技术中的聚类数量称为K，用户必须定义这个数量。

现在,

visualizer = KElbowVisualizer(model, k=(2,10))

在上面的代码行中，我们定义了在2-9的范围内传递给模型的K的数量范围，并选择K，其中形成了一个弯头，这基本上意味着当K的值和平方误差和小于时，该K被选择。

此外，只有当数据非常聚集时，这种肘部方法才能很好地工作。

后来,

visualizer.fit(df_final.values)

上面的线将拟合可视化工具上的数据，并在图形上绘制不同的值，在x轴上使用不同的K和y轴上的失真分数。

示例代码：(https://www.scikit-yb.org/en/latest/api/cluster/elbow.html)

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

from yellowbrick.cluster import KElbowVisualizer

# Generate synthetic dataset with 8 random clusters
X, y = make_blobs(n_samples=1000, n_features=12, centers=8, random_state=42)

# Instantiate the clustering model and visualizer
model = KMeans()
visualizer = KElbowVisualizer(model, k=(4,12),)

visualizer.fit(X)        # Fit the data to the visualizer
visualizer.draw()   

输出

​

​