Projekt med K-Means-klyngedannelse

I dette projekt anvender vi K-Means-klyngedannelse på et datasæt fra den virkelige verden: kundeopdeling. Målet er at gruppere kunder baseret på deres forbrugsmønstre.

Datasættet indeholder følgende kolonner:

• Kunde-id: Entydig identifikator for hver kunde.
• Alder: Kundens alder.
• Årsindkomst: Årsindkomst i tusindvis af dollars.
• Forbrugsscore: En score, der tildeles ud fra kundens adfærd og forbrugsmønstre (1–100).

Vi starter med at importere de nødvendige biblioteker og indlæse datasættet:

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

# Load dataset
data = pd.read_csv('Mall_Customers.csv')
print(data.head())

Vi vælger relevante egenskaber til klyngedannelsen og normaliserer om nødvendigt dataene. I dette projekt bruger vi Årsindkomst og Forbrugsscore:

# Select relevant features
X = data[['Annual Income (k$)', 'Spending Score (1-100)']].values
print(X[:5])

Vi bruger albue-metoden til at finde det optimale antal klynger ved at afbilde summen af kvadraterne inden for klyngerne (WCSS) for forskellige K-værdier:

wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)

plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of Clusters')
plt.ylabel('WCSS')
plt.show()

På baggrund af albue-metoden vælger vi det optimale antal klynger (f.eks. K=5) og tilpasser K-Means-modellen:

kmeans = KMeans(n_clusters=5, init='k-means++', random_state=42)
kmeans.fit(X)

# Add cluster labels to the dataset
data['Cluster'] = kmeans.labels_
print(data.head())

Vi kan afbilde klyngerne i et todimensionalt rum for at se, hvordan de er adskilt:

plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='red', marker='X')
plt.title('Customer Segmentation')
plt.xlabel('Annual Income (k$)')
plt.ylabel('Spending Score (1-100)')
plt.show()

Hver klynge repræsenterer en gruppe kunder med lignende forbrugsmønstre. For eksempel:

• Klynge 1: Høj indkomst, højt forbrug.
• Klynge 2: Lav indkomst, lavt forbrug.
• Klynge 3: Middel indkomst, højt forbrug.

Selvom klyngedannelse er effektiv, møder anvendelser i den virkelige verden udfordringer som:

• Datasæt med mange dimensioner.
• Støjfyldte eller ufuldstændige data.
• Meningsfuld fortolkning af resultaterne for klyngerne.

I dette projekt:

• Undersøgte vi et datasæt fra den virkelige verden.
• Anvendte vi K-Means-klyngedannelse og visualiserede resultaterne.
• Fortolkede vi klyngerne for at forstå kundeadfærd.

Derefter lærer vi om teknikker til dimensionsreduktion som PCA og t-SNE.