Segmentatie bouwen met k-means-clustering

In deze oefening bouw je de klantsegmentatie met het KMeans-algoritme. Zoals je in de vorige stap hebt gezien, ligt het wiskundig optimale aantal clusters rond 3 of 4. Hier bouw je er een met 4 segmenten.

De voorbewerkte gegevensset is geladen als wholesale_scaled_df. Je gebruikt die om het KMeans-algoritme uit te voeren, en de ruwe, onbewerkte gegevensset als wholesale — die gebruik je later om de gemiddelde kolomwaarden te verkennen voor de 4 segmenten die je gaat maken.

Deze oefening maakt deel uit van de cursus

Machine Learning voor marketing in Python

Cursus bekijken

Oefeninstructies

Importeer het KMeans-algoritme uit de module sklearn.cluster.
Initialiseer het KMeans-algoritme met 4 clusters en een random state van 123.
Pas het model aan op de voorbewerkte gegevensset wholesale_scaled_df.
Ken de gegenereerde labels toe aan een nieuwe kolom segment in de ruwe wholesale-gegevensset.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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.___)

Code bewerken en uitvoeren