Tillbaka till partihandelsdata: Utforskning

Från den tidigare analysen har du sett att k = 2 ger den högsta genomsnittliga silhuettbredden. I den här övningen fortsätter du att analysera partihandelsdatan genom att bygga och utforska en k-means-modell med 2 kluster.

Den här övningen är en del av kursen

Klusteranalys i R

Visa kurs

Övningsinstruktioner

Bygg en k-means-modell kallad model_customers för datamängden customers_spend med hjälp av funktionen kmeans() och centers = 2.
Extrahera vektorn med klustertilldelningar från modellen model_customers$cluster och lagra den i variabeln clust_customers.
Lägg till klustertilldelningarna som en kolumn cluster i dataramen customers_spend och spara resultatet i en ny dataram kallad segment_customers.
Beräkna storleken på varje kluster med hjälp av count().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

set.seed(42)

# Build a k-means model for the customers_spend with a k of 2
model_customers <- ___

# Extract the vector of cluster assignments from the model
clust_customers <- ___

# Build the segment_customers data frame
segment_customers <- mutate(___, cluster = ___)

# Calculate the size of each cluster
count(___, ___)

# Calculate the mean for each category
segment_customers %>% 
  group_by(cluster) %>% 
  summarise_all(list(mean))

Redigera och kör kod