Construire une segmentation avec le clustering k-means

Dans cet exercice, vous allez construire une segmentation client avec l’algorithme KMeans. Comme vous l’avez identifié à l’étape précédente, le nombre de clusters optimal mathématiquement se situe autour de 3 ou 4. Ici, vous allez en construire 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 wholesale — vous l’utiliserez ensuite pour explorer les valeurs moyennes des colonnes pour les 4 segments que vous allez construire.

Cet exercice fait partie du cours

Machine Learning pour le marketing en Python

Afficher le cours

Instructions

Importez l’algorithme KMeans depuis le module sklearn.cluster.
Initialisez l’algorithme KMeans avec 4 clusters et un random state fixé à 123.
Entraînez le modèle sur le jeu de données prétraité wholesale_scaled_df.
Assignez les labels générés à une nouvelle colonne appelée segment dans le jeu de données brut wholesale.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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