ปรับความเบ้ของตัวแปร
ในขั้นตอนนี้ จะแปลงคอลัมน์ใน wholesale ด้วยการแปลง Box-Cox จากนั้นสำรวจกราฟความสัมพันธ์เชิงคู่เพื่อตรวจสอบว่าความเบ้ของการกระจายข้อมูลลดลงและใกล้เคียงการแจกแจงแบบปกติมากขึ้น ขั้นตอนนี้มีความสำคัญอย่างมาก เพื่อให้อัลกอริทึม K-means สามารถลู่เข้าและค้นพบกลุ่มของข้อมูล (หรือที่เรียกว่า cluster หรือ segment) ที่เป็นเนื้อเดียวกันได้
โมดูล stats ถูกโหลดจากไลบรารี scipy และชุดข้อมูล wholesale ถูกนำเข้าเป็น DataFrame ของ pandas แล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Machine Learning สำหรับการตลาดด้วย Python
คำแนะนำการฝึกหัด
- กำหนดฟังก์ชันการแปลง Box-Cox แบบกำหนดเองที่สามารถใช้กับ DataFrame ของ
pandasได้ - นำฟังก์ชันไปใช้กับชุดข้อมูล
wholesale - พล็อตกราฟความสัมพันธ์เชิงคู่ระหว่างตัวแปรที่ผ่านการแปลงแล้ว
- แสดงกราฟ
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Define custom Box Cox transformation function
def boxcox_df(x):
x_boxcox, _ = stats.___(x)
return x_boxcox
# Apply the function to the `wholesale` dataset
wholesale_boxcox = ___.___(boxcox_df, axis=0)
# Plot the pairwise relationships between the transformed variables
sns.___(___, diag_kind='kde')
# Display the chart
plt.___()