1. Nauka
    2. /
  2. Kursy
    3. /
  3. Symulacja zdarzeń dyskretnych w Pythonie
Connected

ćwiczenie

Model e-commerce logistycznego: analiza k-means

Masz już pierwsze spojrzenie na wyniki modelu – czas pogłębić rozumienie wzorców i zależności między wynikami za pomocą analizy skupień.

Wykorzystasz algorytm k-means, aby lepiej zrozumieć główne czynniki wpływające na zachowanie modelu i przypisać punkty danych do grup o podobnych właściwościach. Pomoże to zidentyfikować wąskie gardła w rzeczywistej operacji e-commerce i logistyki, którą reprezentuje twój model.

kmeans i whiten zostały zaimportowane z scipy.cluster.vq oraz matplotlib.pyplot as plt. Oryginalne i przetworzone metodą whiten zbiory danych zawierają kolumny wymienione poniżej. Zmienna pomocnicza p definiuje indeksy tych procesów w zbiorach danych.

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

Instrukcje

100 XP
  • Zastosuj metodę whiten na tablicy record_processes_np, aby przygotować ją do klasteryzacji k-means.
  • Uruchom metodę k-means na tablicy whitened przy użyciu pakietu SciPy, ustawiając liczbę szukanych skupień na trzy.