Prévia do material em texto
from numpy import unique from numpy import where from sklearn.datasets import make_classification from sklearn.cluster import KMeans from matplotlib import pyplot # criando o dataset X, _ = make_classification(n_samples=1000, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1, random_state=4) # definindo o modelo model = KMeans(n_clusters=2) # treinando o modelo model.fit(X) # avaliando uma nova amostra (predição de cluster) yhat = model.predict(X) # recuperando os clusters clusters = unique(yhat) # Criando um gráfico para exibir os resultados for cluster in clusters: # filtrando as amostras de um mesmo cluster row_ix = where(yhat == cluster) # plotando no gráfico pyplot.scatter(X[row_ix, 0], X[row_ix, 1]) # exibindo o resultado pyplot.show()
Mais conteúdos dessa disciplina
Importância do Aprendizado de Máquina- Aplicação de Aprendizado de Máquina
- 2 241GGR2186A - MODELOS DE APRENDIZADO DE MAQUINA
- 1 241GGR2186A - MODELOS DE APRENDIZADO DE MAQUINA
- 1 241GGR2186A - MODELOS DE APRENDIZADO DE MAQUINA
- MODELOS DE APRENDIZADO DE MAQUINA
- aula01_AM_2023
- Syllabus
- aula02_AM_2023
- Aula04Parte2
- aula04_AM_2023
- aula05_AM_parte1
- aula05_AM_parte2
- Em relação à arquitetura ResNet das redes de convolução (CNN), selecione a opção correta. a) As conexões entre suas camadas são organizadas literal...
