Альтернативна сегментація за допомогою NMF
У цій вправі ви проаналізуєте дані про купівлі товарів і виокремите змістовні сегменти за допомогою алгоритму не-негативної матричної факторизації (NMF). Він добре працює зі розрідженими матрицями «клієнт × товар», типовими для e-commerce або роздрібної торгівлі. Насамкінець ви витягнете компоненти, які досліджуватимете в наступній вправі.
Ми імпортували pandas як pd і numpy як np. Також сирий набір даних про купівлі «клієнт × товар» завантажено як wholesale.
Ця вправа є частиною курсу
Machine Learning для маркетингу в Python
Інструкції до вправи
- Імпортуйте функцію не-негативної матричної факторизації з
sklearn.decomposition. - Ініціалізуйте екземпляр
NMFз 4 компонентами. - Навчіть модель на даних продажів
wholesale. - Витягніть і збережіть компоненти як DataFrame бібліотеки
pandas.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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)