Progetto di clustering K-Means

In questo progetto applicheremo il clustering K-Means a un dataset reale: la segmentazione dei clienti. L'obiettivo è raggruppare i clienti in base alle loro abitudini di spesa.

Panoramica del dataset

Il dataset contiene le seguenti colonne:

• ID cliente: Identificatore univoco per ogni cliente.
• Età: Età del cliente.
• Reddito annuale: Reddito annuale in migliaia di dollari.
• Punteggio di spesa: Punteggio assegnato in base al comportamento del cliente e alle sue abitudini di spesa (1–100).

Passaggio 1: importazione del dataset e delle librerie

Inizieremo importando le librerie necessarie e caricando il dataset:

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())

Passaggio 2: pre-elaborazione dei dati

Selezioneremo le caratteristiche rilevanti per il clustering e, se necessario, normalizzeremo i dati. Per questo progetto useremo Reddito annuale e Punteggio di spesa:

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

Passaggio 3: determinazione del numero ottimale di cluster

Usiamo il metodo del gomito per trovare il numero ottimale di cluster, tracciando la somma dei quadrati all'interno dei cluster (WCSS) per diversi valori di 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()

Passaggio 4: applicazione del clustering K-Means

In base al metodo del gomito, scegliamo il numero ottimale di cluster (ad esempio, K=5) e adattiamo il modello K-Means:

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())

Passaggio 5: visualizzazione dei cluster

Possiamo tracciare i cluster in uno spazio 2D per osservarne la separazione:

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()

Passaggio 6: interpretazione dei cluster

Ogni cluster rappresenta un gruppo di clienti con abitudini di spesa simili. Ad esempio:

• Cluster 1: Reddito elevato, spesa elevata.
• Cluster 2: Reddito basso, spesa bassa.
• Cluster 3: Reddito moderato, spesa elevata.

Sfide del clustering nel mondo reale

Sebbene il clustering sia potente, le applicazioni nel mondo reale devono affrontare sfide come:

• Dataset ad alta dimensionalità.
• Dati rumorosi o incompleti.
• Interpretare i risultati dei cluster in modo significativo.

Riepilogo e prossimi passaggi

In questo progetto abbiamo:

• Esplorato un dataset reale.
• Applicato il clustering K-Means e visualizzato i risultati.
• Interpretato i cluster per comprendere il comportamento dei clienti.

Nel prossimo passaggio apprenderemo tecniche di riduzione della dimensionalità come PCA e t-SNE.