Implementering på Ekte Datasett
Du skal bruke mall customers-datasettet, som inneholder følgende kolonner:
Du bør også følge disse stegene før klynging:
- Last inn data: bruk
pandas
for å laste inn CSV-filen; - Velg relevante variabler: fokuser på kolonnene
'Annual Income (k$)'
og'Spending Score (1-100)'
; - Skalering av data (viktig for DBSCAN): siden DBSCAN benytter avstandsmålinger, er det avgjørende å skalere variabler slik at de har tilsvarende intervaller. Du kan bruke
StandardScaler
til dette formålet.
Tolkning
Koden oppretter 5 klynger i dette tilfellet. Det er viktig å analysere de resulterende klyngene for å få innsikt i kundesegmentering. For eksempel kan du finne klynger som representerer:
-
Høy inntekt, høyt forbruk;
-
Høy inntekt, lavt forbruk;
-
Lav inntekt, høyt forbruk;
-
Lav inntekt, lavt forbruk;
-
Middels inntekt, middels forbruk.
Avsluttende bemerkninger
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 2.94
Implementering på Ekte Datasett
Sveip for å vise menyen
Du skal bruke mall customers-datasettet, som inneholder følgende kolonner:
Du bør også følge disse stegene før klynging:
- Last inn data: bruk
pandas
for å laste inn CSV-filen; - Velg relevante variabler: fokuser på kolonnene
'Annual Income (k$)'
og'Spending Score (1-100)'
; - Skalering av data (viktig for DBSCAN): siden DBSCAN benytter avstandsmålinger, er det avgjørende å skalere variabler slik at de har tilsvarende intervaller. Du kan bruke
StandardScaler
til dette formålet.
Tolkning
Koden oppretter 5 klynger i dette tilfellet. Det er viktig å analysere de resulterende klyngene for å få innsikt i kundesegmentering. For eksempel kan du finne klynger som representerer:
-
Høy inntekt, høyt forbruk;
-
Høy inntekt, lavt forbruk;
-
Lav inntekt, høyt forbruk;
-
Lav inntekt, lavt forbruk;
-
Middels inntekt, middels forbruk.
Avsluttende bemerkninger
Takk for tilbakemeldingene dine!