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.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj funkcję nieujemnej faktoryzacji macierzy z
sklearn.decomposition. - Zainicjalizuj instancję
NMFz 4 komponentami. - Dopasuj model do danych sprzedażowych
wholesale. - Wyodrębnij komponenty i zapisz je jako
pandasDataFrame.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the non-negative matrix factorization module
from sklearn.decomposition import ___
# Initialize NMF instance with 4 components
nmf = ___(4)
# Fit the model on the wholesale sales data
nmf.___(wholesale)
# Extract the components
components = pd.DataFrame(data=nmf.___, columns=wholesale.columns)