使用 NMF 的替代分群

在本练习中，您将分析产品购买数据，并使用非负矩阵分解（NMF）算法识别有意义的细分群体。该方法非常适合处理在电商或零售场景中常见的稀疏「客户 × 产品」矩阵。最后，您将提取组件，并在接下来的练习中进一步探索。

我们已将 pandas 加载为 pd，numpy 加载为 np。此外，原始的客户-产品购买数据集已加载为 wholesale。

本练习是课程的一部分

Python 营销中的机器学习

查看课程

练习说明

从 sklearn.decomposition 导入非负矩阵分解函数。
用 4 个成分初始化 NMF 实例。
在 wholesale 销售数据上拟合模型。
将提取的成分保存为一个 pandas DataFrame。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码