Профилирование и именование кластеров

Алгоритм выдаёт Вам метки вроде 0, 1 и 2. Эти числа ничего не значат, пока Вы не опишете каждую группу и не объясните её смысл. 🏷️

Сначала добавьте предсказанные метки обратно в Ваш DataFrame как новый столбец, чтобы каждая строка знала свой кластер.

Теперь сгруппируйте данные по этому столбцу и усредните признаки. Профиль каждого кластера появится в виде строки с типичными значениями.

Просмотрите эти средние значения и найдите наиболее заметные особенности. Признаки, по которым кластеры сильнее всего различаются, станут основой Вашего рассказа.

Также посчитайте количество элементов в каждом кластере. Небольшой кластер может быть нишевым сегментом или признаком того, что k выбрано слишком большим.

Быстрый точечный график с цветовой разбивкой по кластерам покажет, являются ли группы различимыми или сливаются друг с другом.

Преобразуйте каждый профиль в понятную человеку метку, например «клиенты с большими расходами» или «посетители по выходным», чтобы заинтересованные стороны сразу всё поняли.

Для каждого сегмента напишите одно простое предложение о том, кто к нему относится и чем он отличается от остальных.

Если у группы нет чётких особенностей, это может быть шум или результат перекрытия. Прежде чем давать ей название, попробуйте другое значение k или другой алгоритм.

Смысл присвоения названий — в возможности действовать. Сегмент «чувствительные к цене» может подсказать применить скидку, а лояльные клиенты заслуживают поощрения.

Кластеры могут изменяться по мере изменения данных, поэтому периодически обновляйте их профили, чтобы убедиться, что названия по-прежнему подходят людям внутри них.

Составляйте профили кластеров, сравнивая их средние значения признаков, а затем называйте каждый сегмент, чтобы группы помогали принимать реальные решения. 🎯