Alternatywna segmentacja z użyciem NMF

W tym ćwiczeniu przeanalizujesz dane o zakupach produktów i zidentyfikujesz znaczące segmenty za pomocą algorytmu nieujemnej faktoryzacji macierzy (NMF). Algorytm ten dobrze sprawdza się w przypadku rzadkich macierzy klientów i produktów, typowych dla handlu elektronicznego i detalicznego. Na koniec wyodrębnisz komponenty, które zbadasz w kolejnym ćwiczeniu.

Biblioteka pandas została załadowana jako pd, a numpy jako np. Surowy zbiór danych o zakupach produktów przez klientów został załadowany jako wholesale.

Zaimportuj funkcję nieujemnej faktoryzacji macierzy z sklearn.decomposition.
Zainicjalizuj instancję NMF z 4 komponentami.
Dopasuj model do danych sprzedażowych wholesale.
Wyodrębnij komponenty i zapisz je jako pandas DataFrame.

ćwiczenie

Alternatywna segmentacja z użyciem NMF

Instrukcje

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

ćwiczenie