Alternativní segmentace pomocí NMF
V tomto cvičení analyzuješ data o nákupech produktů a identifikuješ smysluplné segmenty pomocí algoritmu nenegativní maticové faktorizace (NMF). Tento přístup funguje dobře s řídkými maticemi zákazník–produkt, které jsou typické pro e-commerce nebo maloobchod. Nakonec extrahuješ komponenty, které prozkoumáš v následujícím cvičení.
K dispozici máš načtený pandas jako pd a numpy jako np. Surová datová sada nákupů zákazník–produkt je načtena jako wholesale.
Toto cvičení je součástí kurzu
Machine Learning for Marketing in Python
Pokyny k cvičení
- Importuj funkci nenegativní maticové faktorizace z
sklearn.decomposition. - Inicializuj instanci
NMFse 4 komponentami. - Natrénuj model na prodejních datech
wholesale. - Extrahuj komponenty a ulož je jako
pandasDataFrame.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import the non-negative matrix factorization module
from sklearn.decomposition import ___
# Initialize NMF instance with 4 components
nmf = ___(4)
# Fit the model on the wholesale sales data
nmf.___(wholesale)
# Extract the components
components = pd.DataFrame(data=nmf.___, columns=wholesale.columns)