Модель логистики eCommerce: анализ методом k-средних
Получив первое представление о результатах модели, вы можете углубить понимание закономерностей и взаимосвязей между результатами с помощью кластерного анализа.
Вы применените алгоритм k-средних, чтобы выявить основные факторы, влияющие на поведение модели, и сгруппировать точки данных со схожими свойствами. Это поможет обнаружить узкие места в реальных операциях электронной коммерции и логистики, которые описывает ваша модель.
kmeans и whiten импортированы из scipy.cluster.vq, а также matplotlib.pyplot as plt. Исходный и нормализованный наборы данных содержат столбцы, перечисленные ниже. Вспомогательная переменная p задаёт индексы этих процессов в наборах данных.
- столбец 1 (
p=0):time_requests - столбец 2 (
p=1):time_packaging - столбец 3 (
p=2):time_shipping - столбец 4 (
p=3):sum/total time
Это упражнение является частью курса
Дискретно-событийное моделирование на Python
Инструкции к упражнению
- Нормализуйте массив
record_processes_npс помощью функцииwhiten, чтобы подготовить его к кластеризации методом k-средних. - Запустите метод k-средних на массиве
whitenedс помощью пакета SciPy, задав поиск трёх кластеров.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Whiten the record_processes_np array
whitened = ____(record_processes_np)
# Run the k-means method on whitened, using three clusters
codebook, distortion = ____(whitened, ____)
fig, axs = plt.subplots(3)
for p in range(3):
axs[p].scatter(whitened[:, 3], whitened[:, p], marker=".", label=f"{process_names[p]}")
axs[p].scatter(codebook[:, 3], codebook[:, p], label='Cluster Centroids')
axs[p].legend(loc='center left', bbox_to_anchor=(1, 0.5))
axs[p].set_ylabel(f'Process duration (days)')
axs[p].set_xlabel('Total duration (days)')
plt.show()