Alternative Segmentierung mit NMF
In dieser Übung analysierst du Produktkaufdaten und identifizierst sinnvolle Segmente mithilfe des Algorithmus Non-negative Matrix Factorization (NMF). Er funktioniert gut mit dünn besetzten Kunden-×-Produkt-Matrizen, wie sie im E‑Commerce oder Einzelhandel typisch sind. Zum Schluss extrahierst du die Komponenten, die du in der nächsten Übung genauer untersuchen wirst.
pandas ist als pd und numpy als np geladen. Außerdem wurde der rohe Kunden-×-Produkt-Kaufdatensatz als wholesale geladen.
Diese Übung ist Teil des Kurses
<Kurs>Machine Learning für Marketing mit Python</Kurs>Übungsanweisungen
- Importiere die Funktion für Non-negative Matrix Factorization aus
sklearn.decomposition. - Initialisiere eine
NMF-Instanz mit 4 Komponenten. - Fitte das Modell auf die Verkaufsdaten
wholesale. - Extrahiere die Komponenten und speichere sie als
pandas-DataFrame.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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)