Prosjekt: K-means-klynging

Vi begynner med å importere de nødvendige bibliotekene og laste inn datasettet:

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 velger relevante egenskaper for klynging og normaliserer dataene ved behov. I dette prosjektet bruker vi Årsinntekt og Forbrukspoeng:

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

Vi bruker albue-metoden til å finne det optimale antallet klynger ved å plotte summen av kvadrerte avstander innenfor klyngene (WCSS) for ulike verdier av 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()

På grunnlag av albue-metoden velger vi det optimale antallet klynger (for eksempel 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 plotte klyngene i et todimensjonalt rom for å se hvordan de skiller seg fra hverandre:

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 representerer en gruppe kunder med lignende forbruksmønstre. For eksempel:

• Klynge 1: Høy inntekt, høyt forbruk.
• Klynge 2: Lav inntekt, lavt forbruk.
• Klynge 3: Middels inntekt, høyt forbruk.

Selv om klynging er kraftig, møter anvendelser i den virkelige verden utfordringer som:

• Datasett med mange dimensjoner.
• Data med støy eller manglende verdier.
• Å tolke klyngeresultater på en meningsfull måte.

I dette prosjektet har vi:

• Utforsket et datasett fra den virkelige verden.
• Brukt K-Means-klynging og visualisert resultatene.
• Tolket klyngene for å forstå kundeatferd.

Deretter skal vi lære om teknikker for dimensjonalitetsreduksjon, som PCA og t-SNE.