Créer une segmentation avec le regroupement k-means

Dans cet exercice, vous allez créer une segmentation de la clientèle avec l'algorithme KMeans. Comme vous l'avez vu à l'étape précédente, le nombre optimal de grappes sur le plan mathématique se situe autour de 3 ou 4. Ici, vous en créerez une avec 4 segments.

Le jeu de données prétraité a été chargé sous le nom wholesale_scaled_df. Vous l'utiliserez pour exécuter l'algorithme KMeans, et le jeu de données brut non prétraité sous le nom wholesale — vous l'utiliserez ensuite pour explorer les valeurs moyennes des colonnes pour les 4 segments que vous allez créer.

Cette activité fait partie du cours

Machine Learning pour le marketing en Python

Voir le cours

Instructions de l’exercice

Importez l'algorithme KMeans du module sklearn.cluster.
Initialisez l'algorithme KMeans avec 4 grappes (clusters) et un état aléatoire fixé à 123.
Ajustez le modèle sur le jeu de données prétraité wholesale_scaled_df.
Attribuez les étiquettes générées à une nouvelle colonne appelée segment dans le jeu de données brut wholesale.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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.___)

Modifier et exécuter le code