NMF-segmenteringens genomsnittsvärden
Till sist ska du visuellt utforska genomsnittsvärdena för den 3-segmentslösning som byggts med NMF och jämföra den med K-means-lösningen. Här extraherar du feature-matrisen W, som används för att bestämma det faktiska segmenttillhörigheten för varje kund genom att välja den kolumn med det högsta associerade värdet i matrisen.
Biblioteket pandas har laddats in som pd och seaborn som sns. Den råa datamängden wholesale har importerats, och den redan anpassade 3-segments-NMF-instansen finns tillgänglig som nmf. Datamängden components har laddats in som en pandas DataFrame.
Den här övningen är en del av kursen
Maskininlärning för marknadsföring i Python
Övningsinstruktioner
- Skapa W-matrisen genom att skicka in de transformerade värdena som data och komponentindexet som kolumnvärden.
- Tilldela segmentvärdet genom att välja det kolumnnamn där det motsvarande värdet är störst.
- Beräkna genomsnittliga kolumnvärden per segment.
- Rita upp genomsnittsvärdena som en heatmap.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create the W matrix
W = pd.DataFrame(data=nmf.___(wholesale), columns=components.index)
W.index = wholesale.index
# Assign the column name where the corresponding value is the largest
wholesale_nmf3 = wholesale.___(segment = W.idxmax(axis=1))
# Calculate the average column values per each segment
nmf3_averages = wholesale_nmf3.___('___').mean().round(0)
# Plot the average values as heatmap
sns.___(___.T, cmap='YlGnBu')
# Display the chart
plt.show()