método fit

Lição 10 de 19 do curso Introdução ao aprendizado de máquina da Coddy.

Desafio

Difícil

Implemente o método fit e o find_cluster_centroid. O find_cluster_centroid encontra o centroide de uma determinada lista de pontos (cluster). As instruções sobre como encontrar o centroide estão na lição anterior. Para implementar o fit, siga estas instruções:

Inicializar Centroides: Primeiro, escolha k pontos como os centroides iniciais do conjunto de dados. Para passar nos casos de teste, escolha o 3º, 5º, 7º, 9º, … pontos como centroides iniciais (dependendo de k pontos)
Atribuir Clusters: Para cada ponto no conjunto de dados, encontre o centroide mais próximo (usando medidas de distância como a distância Euclidiana) e atribua o ponto a esse cluster.
Atualizar Centroides: Uma vez que todos os pontos foram atribuídos aos clusters, recalcule os centroides tirando a média de todos os pontos em cada cluster.
Repetir os Passos 2 e 3: Os passos acima são repetidos até que os centroides não mudem mais significativamente. Se a distância entre o novo centroide e o centroide anterior for menor que 0.01, pare

Como passar nos casos de teste:

Salve os centroides na variável self.centroids.
Assim que você encontrar novos centroides e a distância total entre os novos centroides e os anteriores for menor que 0.01, mantenha os centroides anteriores.
A ordem dos centroides é importante. Sempre itere sobre os centroides do início ao fim.
Os casos de teste imprimirão self.centroids e validarão se estão corretos.

Experimente você mesmo

def euclidian_distance(point_a, point_b):
    return (sum([(point_a[i] - point_b[i])**2 for i in range(len(point_a))]))**0.5


    
class KMeans:
    def __init__(self, k):
        self.k = k

    def find_cluster_centroid(self, cluster_points):
    # Escreva seu código aqui

    def fit(self, X_train):
        # Escreva seu código aqui
        self.centroids = ...
    
    def predict(self, X_test):
        pass

Todas as lições de Introdução ao aprendizado de máquina

1O Início da Jornada em ML

Introdução a ML Dados para alimentar um modelo O que é um modelo de ML

4Algoritmo K-Means

Introdução ao K-Meansmétodo fitmétodo predict

2Visão geral de Machine Learning

Aprendizado supervisionado Aprendizado não supervisionado

5Naive Bayes

Introdução ao Naive Bayes método fit método predict

3K-Vizinhos Mais Próximos (KNN)

Introdução ao KNN método fit método predict

6Outros Modelos

Regressão Logística Regressão Linear Árvore de Decisão Máquina de Vetores de Suporte (SVM)Questionário sobre Modelos

Pratique por conta própria: Compilador de Python online