เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การแบ่งกลุ่มลูกค้าด้วย NMF

ในแบบฝึกหัดนี้ จะได้วิเคราะห์ข้อมูลการซื้อสินค้าและค้นหากลุ่มลูกค้าที่มีความหมายด้วยอัลกอริทึม Non-negative Matrix Factorization (NMF) ซึ่งทำงานได้ดีกับเมทริกซ์ลูกค้า-สินค้าที่มีค่าเบาบาง (sparse matrix) อย่างที่พบได้ทั่วไปในธุรกิจ e-commerce หรือค้าปลีก จากนั้นจะดึง components ออกมาเพื่อนำไปสำรวจต่อในแบบฝึกหัดถัดไป

โหลด pandas เป็น pd และ numpy เป็น np ไว้ให้แล้ว รวมถึงชุดข้อมูลลูกค้า-สินค้าดิบที่โหลดไว้เป็น wholesale

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับการตลาดด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้าฟังก์ชัน non-negative matrix factorization จาก sklearn.decomposition
  • สร้างอินสแตนซ์ NMF โดยกำหนด 4 components
  • Fit โมเดลกับข้อมูลยอดขาย wholesale
  • ดึง components ออกมาและเก็บเป็น DataFrame ของ pandas

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import the non-negative matrix factorization module
from sklearn.decomposition import ___

# Initialize NMF instance with 4 components
nmf = ___(4)

# Fit the model on the wholesale sales data
nmf.___(wholesale)

# Extract the components 
components = pd.DataFrame(data=nmf.___, columns=wholesale.columns)
แก้ไขและรันโค้ด