Segmentos de clientes

Parte de la sección Aprendizaje no supervisado del Journey de Machine Learning de Coddy. Lección 39 de 51.

Este capítulo pone en práctica los clústeres, hasta llegar a una lista de reproducción organizada por estado de ánimo:

80 canciones representadas como puntos, con la valencia en el eje horizontal y la energía en el vertical, en cuatro grupos encontrados y nombrados por k-means: tenso arriba a la izquierda, feliz arriba a la derecha, triste abajo a la izquierda, tranquilo abajo a la derecha

Primero, segmentos: grupos sobre los que se puede actuar. Un hostal escaló dos características y agrupó a sus huéspedes:

150 huéspedes del hostal, noches por estancia en el eje horizontal y días de antelación de la reserva en el vertical, en tres segmentos: viajes escolares reservados con meses de antelación, turistas de fin de semana con estancias cortas, mochileros con estancias largas reservadas a última hora

Las unidades reales describen cómo es un segmento. Su centro escalado muestra qué lo distingue: cada característica en desviaciones estándar respecto al promedio de los huéspedes.

X = StandardScaler().fit_transform(guests[["nights", "days_ahead"]])
km = KMeans(n_clusters=3, n_init=10, random_state=0).fit(X)
print(km.cluster_centers_.round(1))

Esto imprime:

[[ 1.3 -0.7]
 [-0.7 -0.7]
 [-0.7  1.4]]

El número de cada fila más alejado de 0 nombra su segmento. La fila 0 se queda 1.3 desviaciones estándar más: mochileros. La fila 2 reserva 1.4 desviaciones estándar antes: viajes escolares.

Desafío

Intermedio

Un teatro quiere conocer mejor a sus 166 miembros. El programa lee las características en las que se basará la segmentación, como age,ticket_price.

Escala esas columnas, agrúpalas en best_k(X) segmentos con la función auxiliar proporcionada y muestra cuántos hay.
Empezando por el más grande, muestra el tamaño y el nombre de cada segmento: la característica de su centro más alejada de 0, high o low, y a qué distancia.

Para otro teatro y age,shows_per_year:

4 segments
57 members: high shows_per_year (1.2 std from average)
52 members: low shows_per_year (1.0 std from average)
40 members: low age (1.4 std from average)
32 members: high age (1.5 std from average)

Pruébalo tú mismo

import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

# Una fila por cada miembro del teatro
members = pd.read_csv("theatre.csv")
# Las características por las que segmentar, como age,ticket_price
features = input().split(",")


# A partir de las puntuaciones de silueta: el k de 2 a 6 con la mejor puntuación de silueta para X
def best_k(X):
    best, best_score = 2, -1
    for k in range(2, 7):
        labels = KMeans(n_clusters=k, n_init=10, random_state=0).fit_predict(X)
        score = silhouette_score(X, labels)
        if score > best_score:
            best, best_score = k, score
    return best


# Escribe tu código a continuación