Segmentation alternative avec NMF
Dans cet exercice, vous analyserez des données d'achats de produits et repérerez des segments pertinents à l'aide de l'algorithme de factorisation matricielle non négative (NMF). Il fonctionne bien avec les matrices clairsemées client par produit, typiques du commerce en ligne ou du commerce de détail. Enfin, vous extrairerez les composantes que vous explorerez dans l'exercice suivant.
Nous avons importé pandas sous le nom pd et numpy sous le nom np. De plus, l'ensemble de données brut des achats client par produit a été chargé dans wholesale.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Importez la fonction de factorisation matricielle non négative depuis
sklearn.decomposition. - Initialisez une instance
NMFavec 4 composantes. - Ajustez le modèle sur les données de ventes
wholesale. - Extrayez et enregistrez les composantes dans un DataFrame
pandas.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)