शुरू करेंमुफ़्त में शुरू करें

लॉजिस्टिक्स ई-कॉमर्स मॉडल: k-means विश्लेषण

अब जब आपने मॉडल के आउटपुट के बारे में पहली झलक पा ली है, तो आप क्लस्टर विश्लेषण का उपयोग करके परिणामों के बीच पैटर्न और संबंधों की अपनी समझ को और गहरा कर सकते हैं.

आप k-means एल्गोरिदम का उपयोग करेंगे ताकि आप अपने मॉडल के व्यवहार के मुख्य कंट्रोल समझ सकें और डेटा पॉइंट्स को समान गुणों वाले समूहों में वर्गीकृत कर सकें. इससे उन बोतलनेक्स की पहचान करने में मदद मिलेगी जो वास्तविक दुनिया के ई-कॉमर्स/लॉजिस्टिक्स ऑपरेशन में मौजूद हैं, जिसका आपका मॉडल निरूपण करता है.

kmeans और whiten को scipy.cluster.vq से इम्पोर्ट किया गया है और matplotlib.pyplot as plt भी इम्पोर्ट है. ओरिजिनल और whitened डेटासेट्स में नीचे सूचीबद्ध कॉलम डेटा है. डमी वैरिएबल p इन प्रोसेस के इंडेक्स डेटासेट्स में परिभाषित करता है.

  • कॉलम 1 (p=0): time_requests
  • कॉलम 2 (p=1): time_packaging
  • कॉलम 3 (p=2): time_shipping
  • कॉलम 4 (p=3): sum/total time

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Discrete Event Simulation

पाठ्यक्रम देखें

अभ्यास निर्देश

  • k-means क्लस्टरिंग के लिए तैयारी करने हेतु record_processes_np array को whiten करें.
  • SciPy पैकेज का उपयोग करके whitened array पर k-means मेथड चलाएँ और तीन क्लस्टर खोजने के लिए k-means सेट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Whiten the record_processes_np array
whitened = ____(record_processes_np)

# Run the k-means method on whitened, using three clusters
codebook, distortion = ____(whitened, ____)

fig, axs = plt.subplots(3)
for p in range(3):
    axs[p].scatter(whitened[:, 3], whitened[:, p], marker=".", label=f"{process_names[p]}")
    axs[p].scatter(codebook[:, 3], codebook[:, p], label='Cluster Centroids')
    axs[p].legend(loc='center left', bbox_to_anchor=(1, 0.5))
    axs[p].set_ylabel(f'Process duration (days)')
    axs[p].set_xlabel('Total duration (days)')
plt.show()
कोड संपादित करें और चलाएँ