Dataförberedelse för segmentering

Maskininlärning för marknadsföring i Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Modellantaganden

Vi börjar med K-means
K-means fungerar bäst när data är 1) ~normalfördelad (ingen skevhet) och 2) standardiserad (medelvärde = 0, standardavvikelse = 1)
Den andra modellen – NMF – kan användas på rådata, särskilt om matrisen är gles

Korrigera skevhet med loggtransformation

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

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

Utforska loggtransformerad data

Pairplot loggtransformerad

Korrigera skevhet med Box-Cox-transformation

# 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()

Utforska Box-Cox-transformerad data

Pairplot Box-Cox

Skala om data

Subtrahera kolumnmedelvärdet från varje värde i kolumnen
Dividera varje värde med kolumnens standardavvikelse
Använder modulen StandardScaler() från sklearn

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

Nu kör vi en övning!

Maskininlärning för marknadsföring i Python