Lojistik e-Ticaret modeli: k-means analizi

Model çıktıları hakkında ilk içgörünü edindiğine göre, kümeleme analizi kullanarak sonuçlar arasındaki örüntüleri ve ilişkileri daha derinlemesine anlayabilirsin.

Model davranışının temel belirleyicilerini anlamana ve benzer özelliklere sahip veri noktalarını gruplara ayırmana yardımcı olmak için k-means algoritmasını kullanacaksın. Bu, modelinin temsil ettiği gerçek dünyadaki e-ticaret/lojistik operasyonundaki darboğazları belirlemene yardımcı olur.

kmeans ve whiten scipy.cluster.vq içinden içe aktarılmıştır ve matplotlib.pyplot as plt de mevcuttur. Orijinal ve beyazlatılmış (whitened) veri kümelerinde aşağıdaki sütunlar bulunur. p adlı kukla (dummy) değişken, bu süreçlerin veri kümelerindeki indekslerini tanımlar.

sütun 1 (p=0): time_requests
sütun 2 (p=1): time_packaging
sütun 3 (p=2): time_shipping
sütun 4 (p=3): sum/total time

Bu egzersiz

Python ile Ayrık Olay Benzetimi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

K-means kümelemeye hazırlamak için record_processes_np dizisini beyazlat (whiten).
SciPy paketini kullanarak whitened dizisi üzerinde k-means yöntemini çalıştır ve üç küme bulacak şekilde ayarla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Whiten the record_processes_np array
whitened = ____(record_processes_np)

# Run the k-means method on whitened, using three clusters
codebook, distortion = ____(whitened, ____)

fig, axs = plt.subplots(3)
for p in range(3):
    axs[p].scatter(whitened[:, 3], whitened[:, p], marker=".", label=f"{process_names[p]}")
    axs[p].scatter(codebook[:, 3], codebook[:, p], label='Cluster Centroids')
    axs[p].legend(loc='center left', bbox_to_anchor=(1, 0.5))
    axs[p].set_ylabel(f'Process duration (days)')
    axs[p].set_xlabel('Total duration (days)')
plt.show()

Kodu Düzenle ve Çalıştır