《人工智能基礎與應用》第5章 物以類聚：發(fā)現(xiàn)新簇群課后習題答案

第5章物以類聚：發(fā)現(xiàn)新簇群

課后習題答案

一、考考你

L關于聚類說法正確是D。

A.聚類樣本一定要有標簽B.應該將所有特征數(shù)據作為聚類依據

C.聚類的k值可以隨意指定D.聚類質心就是各簇群特征的平均值

2.下列C聚類性能評價指標在［-Lll之間,值越接近1說明聚類效果越好。

ACH分數(shù)B.戴維森堡丁指數(shù)DBlC.輪廓系數(shù)DJnertia

3.k-means模型的A參數(shù)能保證聚類結果復現(xiàn)。

A.random_stateB.initC.max_iterD.algorithm

4.衡量聚類效果好壞的主要依據是

A.各類之間的界限明顯B.各樣本離各自質心之和最小

C.類別之間的協(xié)方差越大越好D.同類樣本緊促，不同類樣本相距遠

5.關于RFM模型的應用，說法錯誤的是D。

A.R、F、M是區(qū)分客戶的三個重要指標

B.這三個指標是基于原始數(shù)據統(tǒng)計出來的

C.在具體場景應用RFM模型時，可以添加其它指標

D.訓練模型前樣本不進行標準化處理也是可以的

二、亮一亮

1.在案例1中用k-均值算法對鶯尾花進行聚類時?，有哪些辦法能幫你找到最優(yōu)的k值？

參考答案：

(1)盡可能多的獲得鶯尾花的特征數(shù)據進行初步分析，基于特征數(shù)據確定種類的有效

值作為k的數(shù)值。

(2)在運行k-means聚類中根據聚類結果對比分析確定最優(yōu)的k值。

2.在案例2的電商用戶分類過程中，求各類客戶樣本的均值有何意義？請舉例說明。

參考答案：

由于聚類前對原始數(shù)據進行了標準化處理，所以需要聚類后對質心進行反標準化轉換,

得到原始均值，方便觀察聚類結果和對業(yè)務場景的解釋。

三、幫幫我

?.Wholesalecustomersdata.csv文件保存有批發(fā)商客戶數(shù)據，前5行數(shù)據如下圖5.20所

示。數(shù)據集各屬性函數(shù)如下。

ChannelRegionFreshMilkGroceryFrozenDetergents_PaperDelicassen

023126699656756121426741338

123705798109568176232931776

223635388087684240535167844

313132651196422164045071788

4232261554107198391517775185

圖5.20批發(fā)商客戶數(shù)據

÷Channel：客戶渠道，1指酒店類，2指零售類。

÷Region：客戶所在地區(qū)，1指里斯本，2指波爾圖，3指其它地區(qū)。

令Fresh：在新鮮產品上的支出。

÷Milk：在乳制品上的支出。

令Grocery：在雜貨上的支出。

?Frozen：在冷凍產品上的支出。

令DetergentS-Paper:在清潔劑（紙）上的支出。

令Delicassen:在熟食上的支出。

請運用k-means聚類算法將這400名批發(fā)商客戶進行聚類,并試圖解釋聚類結果。提示:

聚類時只考慮后6個特征，因為這6個特征代表客戶的進貨能力。

參考答案：

#數(shù)據預處理

#1.處理異常值在處理異常值之前，先來通過箱線圖看看異常值.

importseabornassns

importpandasaspd

importmatplotlib.pyplotaspit

,

df=ρd.read-csv(rdata?Wholesalecustomersdata.csv',sep=√)

defget_boxplot(data,start,end):

fig,ax=plt.subplots(l,end-start,figsize=(24,4))

foriinrange(start,end):

sns.boxplot(y=data[data.columns[i]],data=data,ax=ax[i-start])

get_boxplot(df,2,8)

解釋：可以看到以上6個連續(xù)型變量均有異常值，由于k-means算法對異常值較敏感，因

此選擇剔除它。

importnumpyasnp

defdrop_outlier(data,start,end):

foriinrange(start,end):

field=data.columns[i]

Ql=np.quantile(data[field],0.25)

Q3=np.quantile(data[field],0.75)

deta=(Q3-Q1)*1.5

data=data[(data[field]>=Ql-deta)&(data[fieldl<=Q3÷deta)]

returndata

del_df=drop_outlier(df,2,8)

Prim("原有樣本容量:{0},剔除后樣本容量:{1}".format(df.shape[O],del_df.shape[O]))

get_boxplot(del_df,2,8)

原有樣本容量：440.剔除后樣本容量:318

#2.變量離散化、歸一化

deLdfI,ChanneΓ]=del_df.Channel.astype(str)

deLdf[,Region,]=del_df.Region.astype(str)

del_df=pd.get_dummies(del_df)

foriinrange(6):

fieid=del_df.columns[i]

del_df[field]=del_df[field].apply(lambdax:(x-del_df[field].mean())/

del_dflfield].mean())

#3.迭代評估聚類的k值

fromsklearn.clusterimportKMeans

K=range(l,10)

sse=[]

forkinK:

km=KMeans(n_clusters=k,random_state=10)

km.fit(deLdf)

sse.append(km.inertia_)

plt.figure(figsize=(8,6))

plt.plot(K,sse,'-o',alpha=0.7)

plt.xlabel("Kπ)

plt.ylabel("SSEπ)

plt.show()

根據肘部法則，選擇K=2,也就是說將客戶分成兩群.

#4.客戶分群

frompandas.plottingimportparallel_coordinates#訓練模型

km=KMeans(n_clusters=2,random_state=10)

km.fit(del_df)

centers=km.cluster_centers_

labels=km.labels_

customer=pd.DataFrame({,0,:centers[0J,,,Γ,:centers[l]}).T

customer.columns=del_df.keys()

,

df-median=pd.DataFrame({'2:del_df.median()}).T

customer=pd.concat([customer,dθ∏edian])

cUStomer["category',]=["cuslomerj","CUStOmer_2"，'median']#繪制圖像

plt.figure(figsize=(12,6))

parallel_coordinates(customer,"category",color=(,red,∕blue,,,black,))

plt.xticks(rotation=15)

plt.show()

從6種產品每年消費支出來看，客戶群1在冷凍產品上最高，在洗滌劑和紙制品上最低,

而客戶群2則在冷凍產品上最低，在洗滌劑和紙制品上最高，且客戶群2在6種產品的消費

支出均高于中位數(shù)水平，因此客戶群2為重要客戶，客戶群1則是一般客戶。

#5.最終分群結果，將聚類后的標簽加入數(shù)據集

deLdf[,category,J=Iabels

,,

del-df[category]=np.where(del_df.category==0,'customer.!','customer_2')

customer=pd.DataFrame({'O,:centers[O],,,Γ,:centers[l]}).T

customer[',categoιy',]=「customer」.center',"CUStomer_2_Center”]

customer.columns=del_df.keys()

del_df=pd.concat([del_df,customer])#對6類產品每年消費水平進行繪制圖像

df_new=del_df[['Fresh\,Milk?,Grocery','Frozen1,*Detergents_Paper\,De