Projet de regroupement par K-moyennes

Dans ce projet, nous appliquerons le regroupement par K-moyennes à un jeu de données réel : la segmentation de clients. L’objectif est de regrouper les clients en fonction de leurs habitudes de dépenses.

Présentation du jeu de données

Le jeu de données contient les colonnes suivantes :

• ID client : Identifiant unique de chaque client.
• Âge : Âge du client.
• Revenu annuel : Revenu annuel en milliers de dollars.
• Score de dépenses : Score attribué en fonction du comportement et des habitudes de dépenses du client (1–100).

Étape 1 : importer le jeu de données et les bibliothèques

Nous commencerons par importer les bibliothèques nécessaires et charger le jeu de données :

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())

Étape 2 : prétraiter les données

Nous sélectionnerons les caractéristiques pertinentes pour le regroupement et normaliserons les données si nécessaire. Pour ce projet, nous utiliserons le revenu annuel et le score de dépenses :

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

Étape 3 : déterminer le nombre optimal de groupes

Nous utilisons la méthode du coude pour trouver le nombre optimal de groupes en représentant graphiquement la somme des carrés intra-groupes (WCSS) pour différentes valeurs de K :

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()

Étape 4 : appliquer le regroupement par K-moyennes

En nous basant sur la méthode du coude, nous choisissons le nombre optimal de groupes (par exemple, K=5), puis nous utilisons fit sur le modèle K-moyennes :

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())

Étape 5 : visualiser les groupes

Nous pouvons représenter graphiquement les groupes dans un espace en 2D afin d’observer leur séparation :

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()

Étape 6 : interpréter les groupes

Chaque groupe représente un ensemble de clients ayant des habitudes de dépenses similaires. Par exemple :

• Groupe 1 : revenus élevés, dépenses élevées.
• Groupe 2 : revenus faibles, dépenses faibles.
• Groupe 3 : revenus modérés, dépenses élevées.

Difficultés du regroupement dans des situations réelles

Bien que le regroupement soit puissant, les applications réelles doivent relever des difficultés telles que :

• Les jeux de données à haute dimension.
• Les données bruitées ou incomplètes.
• L’interprétation pertinente des résultats des groupes.

Résumé et prochaines étapes

Dans ce projet, nous avons :

• Exploré un jeu de données réel.
• Appliqué le regroupement par K-moyennes et visualisé les résultats.
• Interprété les groupes afin de comprendre le comportement des clients.

Ensuite, nous découvrirons les techniques de réduction de dimensionnalité telles que PCA et t-SNE.