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.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj algorytm
KMeansz modułusklearn.cluster. - Zainicjalizuj algorytm
KMeansz 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
segmentw surowym zbiorze danychwholesale.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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.___)