Bygg segmentering med k-means-klustring
I den här övningen bygger du kundsegmentering med KMeans-algoritmen. Som du identifierade i föregående steg är det matematiskt optimala antalet kluster någonstans runt 3 och 4. Här bygger du en modell med 4 segment.
Den förbehandlade datamängden har laddats in som wholesale_scaled_df. Du använder den för att köra KMeans-algoritmen, och den obehandlade rådata-datamängden som wholesale – den använder du senare för att utforska de genomsnittliga kolumnvärdena för de 4 segment du bygger.
Den här övningen är en del av kursen
Maskininlärning för marknadsföring i Python
Övningsinstruktioner
- Importera
KMeans-algoritmen från modulensklearn.cluster. - Initiera
KMeans-algoritmen med 4 kluster och ett slumptillstånd satt till 123. - Träna modellen på den förbehandlade datamängden
wholesale_scaled_df. - Tilldela de genererade etiketterna till en ny kolumn kallad
segmenti rådata-datamängdenwholesale.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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.___)