1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe w marketingu w Pythonie
Connected

ćwiczenie

Budowanie segmentacji za pomocą klasteryzacji k-means

W tym ćwiczeniu zbudujesz segmentację klientów przy użyciu algorytmu KMeans. Jak ustalono w poprzednim kroku, matematycznie optymalna liczba skupień wynosi około 3 lub 4. Tutaj stworzysz model z 4 segmentami.

Przygotowany zbiór danych został wczytany jako wholesale_scaled_df. Użyjesz go do uruchomienia algorytmu KMeans, natomiast surowy, nieprzetworzony zbiór danych jest dostępny jako wholesale – przyda się później do zbadania średnich wartości kolumn dla 4 budowanych segmentów.

Instrukcje

100 XP
  • Zaimportuj algorytm KMeans z modułu sklearn.cluster.
  • Zainicjalizuj algorytm KMeans z 4 skupieniami i stanem losowym ustawionym na 123.
  • Dopasuj model do przetworzonego zbioru danych wholesale_scaled_df.
  • Przypisz wygenerowane etykiety do nowej kolumny o nazwie segment w surowym zbiorze danych wholesale.