物流 eCommerce モデル：k-means 解析

モデル出力について最初の洞察が得られたので、クラスタ分析を使って、結果間のパターンや関係の理解をさらに深めましょう。

k-means アルゴリズムを使って、モデルの挙動を左右する主要な要因を把握し、性質が似たデータ点をグループに分類します。これにより、モデルが表している実世界の e-commerce/物流オペレーションにおけるボトルネックの特定に役立ちます。

kmeans と whiten は scipy.cluster.vq から、matplotlib.pyplot as plt もインポート済みです。元データセットとホワイトニング後のデータセットは、以下の列を持ちます。ダミー変数 p は、各データセットにおけるこれらのプロセスのインデックスを表します。

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

この演習はコースの一部です

Pythonで学ぶ離散事象シミュレーション

コースを見る

演習の手順

k-means クラスタリングに備えて、record_processes_np 配列をホワイトニングしてください。
SciPy パッケージを使って whitened 配列に対して k-means メソッドを実行し、3 つのクラスタを見つけるように設定してください。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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()

コードを編集して実行