Побудуйте сегментацію за допомогою кластеризації k-means

У цій вправі ви побудуєте сегментацію клієнтів за допомогою алгоритму KMeans. Як ви визначили на попередньому кроці, математично оптимальна кількість кластерів — десь між 3 і 4. Тут ви створите модель із 4 сегментами.

Попередньо оброблений набір даних завантажено як wholesale_scaled_df. Ви використаєте його для запуску алгоритму KMeans, а сирий, необроблений набір даних — як wholesale. Згодом ви застосуєте його, щоб дослідити середні значення стовпців для 4 сегментів, які ви побудуєте.

Ця вправа є частиною курсу

Machine Learning для маркетингу в Python

Переглянути курс

Інструкції до вправи

Імпортуйте алгоритм KMeans з модуля sklearn.cluster.
Ініціалізуйте алгоритм KMeans з 4 кластерами та random_state = 123.
Навчіть модель на попередньо обробленому наборі даних wholesale_scaled_df.
Призначте згенеровані мітки до нового стовпця segment у сирому наборі даних wholesale.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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.___)

Редагувати та запускати код