Segmentace zákazníků pomocí k-means clusteringu

V tomto cvičení sestavíš segmentaci zákazníků pomocí algoritmu KMeans. Jak jsi zjistil/a v předchozím kroku, matematicky optimální počet clusterů se pohybuje někde mezi 3 a 4. Tady vytvoříš model se 4 segmenty.

Předpřipravená datová sada je načtena jako wholesale_scaled_df. Použiješ ji ke spuštění algoritmu KMeans, a surovou nepředzpracovanou datovou sadu jako wholesale – tu pak využiješ k prozkoumání průměrných hodnot sloupců pro 4 segmenty, které vytvoříš.

Toto cvičení je součástí kurzu

Machine Learning for Marketing in Python

Zobrazit kurz

Pokyny k cvičení

Importuj algoritmus KMeans z modulu sklearn.cluster.
Inicializuj algoritmus KMeans se 4 clustery a nastav náhodný stav na 123.
Natrénuj model na předpřipravené datové sadě wholesale_scaled_df.
Přiřaď vygenerované popisky do nového sloupce segment v surové datové sadě wholesale.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import `KMeans` module
from sklearn.cluster import ___

# Initialize `KMeans` with 4 clusters
kmeans=KMeans(___=4, random_state=123)

# Fit the model on the pre-processed dataset
kmeans.fit(___)

# Assign the generated labels to a new column
wholesale_kmeans4 = wholesale.assign(segment = kmeans.___)

Upravit a spustit kód