2023 Clustering analysis using Python from scratch
0 likes24 views
文档介绍了与大数据和机器学习相关的主题，包括K-means聚类算法及其在零售营销中的应用。通过分析销售数据和相关因素，探讨可影响销量的变量，如广告预算和货架位置。还简介了环境设置及数据处理方法，以提高模型的准确性和稳定性。
2023 Clustering analysis using Python from scratch
- 2. About me • Education • NCU (MIS)、NCCU (CS) • Work Experience • Telecom big data Innovation • AI projects • Retail marketing technology • User Group • TW Spark User Group • TW Hadoop User Group • Taiwan Data Engineer Association Director • Research • Big Data/ ML/ AIOT/ AI Columnist 2
- 4. Code • Download code • https://github.com/orozcohsu/ntunhs_2023_02 • Folder • 20231121 4
- 5. 作業回顧 5
- 6. 視覺化資料分析 欄位名稱 說明 Sales（銷量） Unit sales (in thousands) at each location CompPrice（競爭者價格） Price charged by competitor at each location Income（收入等級） Community income level (in thousands of dollars) Advertising（廣告預算） Local advertising budget for company at each location (in thousands of dollars) Population（人口） Population size in region (in thousands) Price（價格） Price company charges for car seats at each site ShelveLoc A factor with levels Bad, Good and Medium indicating the quality of the shelving location for the car seats at each site Age（年齡） Average age of the local population Education（教育程度） Education level at each location Urban A factor with levels No and Yes to indicate whether the store is in an urban or rural location US A factor with levels No and Yes to indicate whether the store is in the US or not 6
- 9. 視覺化資料分析 • 加入一個公司可控且有機會影響銷量的因素貨架陳列位置 （ShelveLoc），貨架陳列位置是指公司商品放在通路的擺放位 置的優劣 • 放入貨架陳列位置因素可以清楚地發現，貨架陳列位置的確會影 響銷量， 成功驗證我們的假設 • 這時就可以明確的向老闆建議，銷量不好、但是人口數大的分店， 將行銷預算投資到提升商品於貨架陳列位置 9
- 10. 10
- 11. 視覺化資料分析 • 放入變數廣告預算後，可以更精確地看有許多分店， 即便投入大 量行銷預算， 效果也不大 • 找到可以改進銷量不好的分店，而我們可以設定一個條件 • 例如： 選出人口數大於300且銷售量在7.5（千單位）以下，並且有廣告 預算的分店，建議將廣告預算可以 勻撥一些至提升貨架陳列位置，就可 預期會有提升銷售的效益 11
- 12. 12
- 13. 建立環境 • 切換執行環境 13
- 14. 建立環境 • 安裝套件 • pip install scikit-learn 14
- 16. K-means • 為非監督式學習一種 • 不需要準備數據標記 16 參考: https://zhuanlan.zhihu.com/p/97510390
- 17. K-means • 演算法步驟 • 定義 K 值，決定分群數目 • 隨機給各 K 群中心點，計算所有訓練樣本，把每個訓練樣本分配到距離 最近的 K 群當中 • 移動各 K 群的中心點，讓該中心點為該群所有樣本距離和的平均處 • 重複上述動作，直到中心點不再移動為止 • https://www.youtube.com/watch?v=5I3Ei69I40s 17
- 18. K-means • 受到初始值和離群值的影響，造成分群結果不穩定 • 甚麼叫做不穩定? • 容易收斂到局部最佳解 • 甚麼叫做局部? • 盡量選擇均衡的樣本數據集 • 甚麼叫做均衡? 如果不均衡怎麼辦? • 需要預設分群數量 • 面對未知的數據，如何選擇適當的分群數? • 分群質心不一定是樣本數據集 • 質心是否可以重複利用? 作為下次新數據的質心? 18
- 19. 如何選擇適當的分群數 • 群群合併方式 • 例如: 先方20群，再將相似的群合併起來 • 如何定義相似的群? • 透過輪廓係數 (Silhouette)，找出轉折點 19
- 20. 收集變數/處理變數 • 非監督式模型變數 • 不須應變數 • 盡量找出會變化的變數，不要找類似性別、居住地…不大會變化的變數 • 盡量避免 binary 變數 (視情況) • 可接受數值型變數、類別型變數 • 處理變數 • 不允許空值，空值要事先處理 • 事先處理離群值，可透過切bin的方式處理 • 數值型變數可考慮進行標準化，如: StandardScaler • 類別型變數可考慮 dummy variables, one-hot encoding 方式轉換 20
- 21. Dummy variable vs One-Hot encoding 21
- 22. 觀察變數內容值/處理變數 • 檢視每一個變數，內容值分布 • 肉眼觀察，不要通通集中在某一區 • 透過變數變換，盡量將值展開(攤平) 22
- 23. 大數據運算，需要考量時間複雜度 • 每一筆資料都要計算，時間複雜度高 • 幾種方法可以增加速度 • 透過程式面著手，如: 多執行緒 • 雖然 Scikit-learn 採用全核心計算來增加速度，但是還是可以考慮用 numpy 提升速度 • https://blog.paperspace.com/speed-up-kmeans-numpy-vectorization- broadcasting-profiling/ • 改用 mini-batch k-means 23
- 24. 受眾分群 • 敘述型統計觀察每一群的變數 分布 • 年紀區間 => 如: 這是一群老人 • 性別分布 => 如: 女性較多 • 居住地分布 => 如: 北部區域 • … • 依照業務邏輯，命名每一群的 名稱(Labeling) • 用於名單操作 (業務場景) 24
- 25. 資料更新後，如何處理分群 • Re-fresh • 相同變數欄位，僅資料內容更新 • 沿用相同的分群質心，取得最新的分群名單 • Re-model • 有新的變數產生，需要重頭建模一次 • 取得最新的分群質心並儲存，下次更新分群名單時使用 • 使用時機? 25
- 27. 作業 • 繼續完成 keman_ckd.ipynb，完成客戶分群 • 透過投影片介紹分群結果，並搭配衛教方式、推薦健康講座 (需要 google 結合時事) 27