1.0Camdemy1.0http://eclass.uch.edu.tw20240108Ahttp://eclass.uch.edu.tw/user/0http://eclass.uch.edu.tw/sysdata/doc/c/c5b68a7f4c4b835a/thumb_l.jpg360640<iframe width='720' height='405' id='ccShare32318' frameborder='0' scrolling='no' src='http://eclass.uch.edu.tw/media/e/32318'></iframe>video72040511:49index 101Slide 102機器學習前準備0310-104Slide 405Slide 506先瞭解各行的標題與資料型別 → 檢查無缺失值的問題 → 刪除重複值 ( 共3 筆) 後重新編號列索引 → 將Species ( 類別) 欄位中的文字轉換成數值07Slide 708「分群」和「分類」不同的地方在於：「分類」需要先給予標籤(Label)「分群」則是不需知道所有資料的類別 ( 標準答案)，所以不必設定標籤。09花萼及花瓣的長度與寬度等4個特徵與類別具有重要的關聯性所以，採用這4個行資料做為機器學習的特徵值 (Feature)。010機器學習前實作01110-2-1 提出具體的假設0129-2-2 找出機器學習模型013Slide 13014使用KMeans() 函式建立K-平均法模型 km。015計算模型的準確率016Slide 16017在產生理想的K- 平均法模型之前，先觀察K- 平均法的「inertia_」值。018Slide 16019在產生理想的K- 平均法模型之前，先觀察K- 平均法的「inertia_」值。020Slide 16021在產生理想的K- 平均法模型之前，先觀察K- 平均法的「inertia_」值。022(2) 試試別的k 值是否可以得到更佳的效果！ 一般可以透過迴圈來計算和觀察不同的參數 k 時所得到的模型準確性。023** after CH10-機器學習實戰 (三)：用 K平均法做分群.pptx024fs1920x1080720x4041280x7201920x1080http://eclass.uch.edu.tw/sysdata/doc/c/c5b68a7f4c4b835a/thumb.jpghttp://eclass.uch.edu.tw/sysdata/doc/c/c5b68a7f4c4b835a/cover.jpghttp://eclass.uch.edu.tw/sysdata/doc/c/c5b68a7f4c4b835a/video/thumbs/storyboard.jpghttp://eclass.uch.edu.tw/sysdata/doc/c/c5b68a7f4c4b835a1