Сегментирование ваших клиентов по многим параметрам (или Python для любителей вина) Использование кластеризации K-средних по более чем двум или трем атрибутам. Недавно я прочитал книгу по аналитике данных под названием Data Smart , написанную Джоном Форманом , руководителем отдела продуктов MailChimp. Эта книга - отличный учебник по бизнес-аналитике, который проведет вас через различные сценарии использования машинного обучения, дополненный примерами данных и подробными..

Кластеризация — это процесс группировки похожих элементов данных вместе, так что те, которые более похожи друг на друга в зависимости от некоторых критериев подобия, группируются в один и тот же кластер. Кластерный анализ широко используется во многих приложениях, таких как кластерный анализ, например, исследование рынка, распознавание образов, данные социальных сетей для поиска группы похожих пользователей, данные электронной медицинской карты (EHR) для поиска похожих пациентов...

Кластеризация K-средних — это алгоритм обучения без учителя , который находит группы в данных на основе их сходства с числом групп, представленных переменная K . K-means — это алгоритм на основе центроидов , в котором каждый кластер связан с центроидом ( центроиды  – это точки данных, представляющие центр кластера). Алгоритм K-средних можно рассматривать как двухэтапный подход , где на первом этапе; идентифицируется k центроидов в зависимости от выбранного значения k, в..

Подход новичка к применению PCA с использованием двух компонентов для алгоритма кластеризации K-средних с использованием Python и его библиотек. Предварительные требования В этой статье предполагается, что вы знакомы с базовой теорией, лежащей в основе PCA, алгоритма K-средних, и знаете язык программирования Python. Кластеризация средств K - это один из простейших, но эффективных алгоритмов без учителя. Сначала давайте кратко опишем, что делает этот алгоритм. Алгоритм..