सेगमेंटेशन के लिए डेटा तैयारी

Python में मार्केटिंग के लिए मशीन लर्निंग

Karolis Urbonas

Head of Analytics & Science, Amazon

मॉडल की धारणाएँ

पहले हम K-means से शुरू करेंगे
K-means क्लस्टरिंग तब अच्छी तरह काम करती है जब डेटा 1) लगभग नॉर्मली डिस्ट्रीब्यूटेड हो (कोई skew नहीं), और 2) स्टैंडर्डाइज़्ड हो (mean = 0, standard deviation = 1)
दूसरा मॉडल - NMF - कच्चे डेटा पर चल सकता है, खासकर जब मैट्रिक्स sparse हो

लॉग-ट्रांसफॉर्म से skew घटाएँ

# First option - log transformation
wholesale_log = np.log(wholesale)

sns.pairplot(wholesale_log, diag_kind='kde')
plt.show()

लॉग-ट्रांसफॉर्म डेटा देखें

पेयरप्लॉट (लॉग-ट्रांसफॉर्म)

Box-Cox ट्रांसफॉर्म से skew घटाएँ

# Second option - Box-Cox transformation
from scipy import stats

def boxcox_df(x):
    x_boxcox, _ = stats.boxcox(x)
    return x_boxcox

wholesale_boxcox = wholesale.apply(boxcox_df, axis=0)

sns.pairplot(wholesale_boxcox, diag_kind='kde')
plt.show()

Box-Cox ट्रांसफॉर्म डेटा देखें

पेयरप्लॉट (Box-Cox)

डेटा को स्केल करें

हर कॉलम मान से उसके औसत को घटाएँ
हर कॉलम मान को कॉलम के standard deviation से भाग दें
sklearn का StandardScaler() मॉड्यूल इस्तेमाल करेंगे

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()

scaler.fit(wholesale_boxcox)
wholesale_scaled = scaler.transform(wholesale_boxcox)
wholesale_scaled_df = pd.DataFrame(data=wholesale_scaled,
                                   index=wholesale_boxcox.index,
                                   columns=wholesale_boxcox.columns)
wholesale_scaled_df.agg(['mean','std']).round()

      Fresh  Milk  Grocery  Frozen  Detergents_Paper  Delicassen
mean   -0.0   0.0      0.0     0.0              -0.0         0.0
std     1.0   1.0      1.0     1.0               1.0         1.0

अभ्यास करते हैं!

Python में मार्केटिंग के लिए मशीन लर्निंग