군집 ( 고객분류 )
1.군집(고객분류).ipynb
0.29MB
1.군집(고객분류).html
0.56MB
군집(clustering)¶
- 레이블이 없는 데이터에 레이블을 부여하고자 할때 사용
- 비지도 학습으로 유사한 정도에 따라 다수의 객체를 그룹으로 만들때 사용
- 군집을 통해 레이블을 선정하여 지도학습으로 변경
- 군집의 개수 지정하는 방법
- 감으로(해당 그룹의 개수를 미리 알고 있는 경우)
- 평가지표로 확인(실루엣 지표 적용( -1 ~ 1사이, 1에 가까울수록 좋다)
- 그래프 그려서 눈으로 확인
k-means¶
- k-means은 군집화(clustering)에서 가장 일반적으로 사용되는 알고리즘
- 거리기반 군집화다. 특정한 임의의 지점을 선택해 해당 중심에 가장 가까운 포인트들을 선택하는 군집화 기법
k-means 파라미터¶
- n_clusters : 가장 중요한 파라미터로 군집화할 개수를 정의한다.
- init : 초기에 군집 중심점의 좌표를 설정할 방식을 말하며 일반적으로 k-means++방식으로 최초 설정한다
- k-means++ : 군집하기위한 중심좌표를 찍는 방식이며, 데이터 중 하나를 무작위로 선정후 다음번에는 가장 먼 곳을 중심으로 잡고 진행하는 방식
- max_iter : 최대 반복 횟수이며, 이 횟수 이전에 모든 데이터의 중심점 이동이 없으면 종료한다.
군집화가 완료되면 관련 주요 속성이 있다¶
- labels_ : 정답을 가지고 있는 변수(군집의 번호)
- cluster_centers_ : 각 군집 중심점 좌표(shape는[군집 개수, 피처 개수]), 이를 이용하면 군집 중심점 좌표가 어디인지 시각화 할 수 있다.
고객분류¶
고객들의 정보들을 가지고 있는 데이터 셋이다. 해당 데이터 셋을 이용하여 사용금액에 따른 고객을 분류하고자 한다.
분류 대상 : 연간 소득 대비 지출 점수를 통한 분류
컬럼
- CustomerID : 고객 아이디
- Gender : 성별
- Age : 나이
- Annual Income (k$) : 연간소득
- Spending Score (1-100) : 지출 점수
참고 - 필요한 컬럼은 연간 소득과 지출 점수만 있으면 된다.
In [1]:
# 군집이란?
# 군집은 비지도학습.... 정답이 없는 것들... data 들만 있는 것들을
# 그룹핑하는 작업
# 그룹핑을 해두어 새로운 데이터가 들어왔을때 해당되는 그룹으로 분류할 수 있다
In [2]:
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings("ignore")
In [3]:
df = pd.read_csv("../data_set/7.군집/Mall_Customers.csv")
df.head()
Out[3]:
| CustomerID | Gender | Age | Annual Income (k$) | Spending Score (1-100) | |
|---|---|---|---|---|---|
| 0 | 1 | Male | 19 | 15 | 39 |
| 1 | 2 | Male | 21 | 15 | 81 |
| 2 | 3 | Female | 20 | 16 | 6 |
| 3 | 4 | Female | 23 | 16 | 77 |
| 4 | 5 | Female | 31 | 17 | 40 |
In [4]:
# 시각화 해주는 라이브러리 추가
!pip install yellowbrick
Requirement already satisfied: yellowbrick in c:\users\user\appdata\roaming\python\python311\site-packages (1.5) Requirement already satisfied: matplotlib!=3.0.0,>=2.0.2 in c:\users\user\anaconda3\lib\site-packages (from yellowbrick) (3.8.0) Requirement already satisfied: scipy>=1.0.0 in c:\users\user\anaconda3\lib\site-packages (from yellowbrick) (1.11.4) Requirement already satisfied: scikit-learn>=1.0.0 in c:\users\user\anaconda3\lib\site-packages (from yellowbrick) (1.2.2) Requirement already satisfied: numpy>=1.16.0 in c:\users\user\anaconda3\lib\site-packages (from yellowbrick) (1.26.4) Requirement already satisfied: cycler>=0.10.0 in c:\users\user\anaconda3\lib\site-packages (from yellowbrick) (0.11.0) Requirement already satisfied: contourpy>=1.0.1 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (1.2.0) Requirement already satisfied: fonttools>=4.22.0 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (4.25.0) Requirement already satisfied: kiwisolver>=1.0.1 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (1.4.4) Requirement already satisfied: packaging>=20.0 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (23.1) Requirement already satisfied: pillow>=6.2.0 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (10.2.0) Requirement already satisfied: pyparsing>=2.3.1 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (3.0.9) Requirement already satisfied: python-dateutil>=2.7 in c:\users\user\anaconda3\lib\site-packages (from matplotlib!=3.0.0,>=2.0.2->yellowbrick) (2.8.2) Requirement already satisfied: joblib>=1.1.1 in c:\users\user\anaconda3\lib\site-packages (from scikit-learn>=1.0.0->yellowbrick) (1.2.0) Requirement already satisfied: threadpoolctl>=2.0.0 in c:\users\user\appdata\roaming\python\python311\site-packages (from scikit-learn>=1.0.0->yellowbrick) (3.1.0) Requirement already satisfied: six>=1.5 in c:\users\user\anaconda3\lib\site-packages (from python-dateutil>=2.7->matplotlib!=3.0.0,>=2.0.2->yellowbrick) (1.16.0)
In [5]:
df.columns
Out[5]:
Index(['CustomerID', 'Gender', 'Age', 'Annual Income (k$)',
'Spending Score (1-100)'],
dtype='object')
In [18]:
from yellowbrick.cluster import KElbowVisualizer
features = ['Annual Income (k$)', 'Spending Score (1-100)']
model = KMeans()
vis = KElbowVisualizer(model, k=(1, 10))
# 군집에 대한 갯수를 1 ~ 10 개의 그룹으로 지정
# 그 중에 맞는 것으로 설정
vis.fit(df[features])
vis.show()
# 검은 점선이 있는 4 가 군집의 적당한 수이다
# 4개의 집단으로 분류했을때가 가장 적합하다...!
Out[18]:
<Axes: title={'center': 'Distortion Score Elbow for KMeans Clustering'}, xlabel='k', ylabel='distortion score'>
In [ ]:
In [ ]:
In [13]:
from sklearn.metrics import silhouette_score
all_scores = []
i=2
while i<10:
i+=1
km = KMeans(n_clusters=i)
km.fit( df[features] )
sil_score = silhouette_score(df[features], km.labels_)
dic = {"cluster_num" : i, "score" : sil_score}
all_scores.append(dic)
s_df = pd.DataFrame(all_scores)
In [17]:
# score 를 기준으로 오름차순으로 정렬
s_df.sort_values(by="score")
# 5개의 집단으로 분류했을때가 가장 적합하다...!
Out[17]:
| cluster_num | score | |
|---|---|---|
| 7 | 10 | 0.452751 |
| 5 | 8 | 0.454558 |
| 6 | 9 | 0.458196 |
| 0 | 3 | 0.467614 |
| 1 | 4 | 0.493196 |
| 4 | 7 | 0.528810 |
| 3 | 6 | 0.539761 |
| 2 | 5 | 0.553932 |
In [19]:
set(km.labels_)
Out[19]:
{0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
In [20]:
km = KMeans(n_clusters=5, init="k-means++", max_iter=300)
# 300 번 반복하면서 최적의 중심점을 찾겠다
# n_clusters = 5 : 5 개의 그룹으로 묶겠다
km.fit(df[features])
Out[20]:
KMeans(n_clusters=5)In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.
KMeans(n_clusters=5)
In [21]:
set(km.labels_)
Out[21]:
{0, 1, 2, 3, 4}
In [25]:
# cluster 컬럼을 생성하여 각 데이터가 속한
# 그룹을 표현
df['cluster'] = km.labels_
df
Out[25]:
| CustomerID | Gender | Age | Annual Income (k$) | Spending Score (1-100) | cluster | |
|---|---|---|---|---|---|---|
| 0 | 1 | Male | 19 | 15 | 39 | 2 |
| 1 | 2 | Male | 21 | 15 | 81 | 1 |
| 2 | 3 | Female | 20 | 16 | 6 | 2 |
| 3 | 4 | Female | 23 | 16 | 77 | 1 |
| 4 | 5 | Female | 31 | 17 | 40 | 2 |
| ... | ... | ... | ... | ... | ... | ... |
| 195 | 196 | Female | 35 | 120 | 79 | 4 |
| 196 | 197 | Female | 45 | 126 | 28 | 3 |
| 197 | 198 | Male | 32 | 126 | 74 | 4 |
| 198 | 199 | Male | 32 | 137 | 18 | 3 |
| 199 | 200 | Male | 30 | 137 | 83 | 4 |
200 rows × 6 columns
In [27]:
# 군집을 통해 분류한 것을 시각화
f = ['Annual Income (k$)', 'Spending Score (1-100)', 'cluster']
plt.figure(figsize=(12,8))
sns.scatterplot( data = df[f], x="Annual Income (k$)", y="Spending Score (1-100)", hue="cluster" )
Out[27]:
<Axes: xlabel='Annual Income (k$)', ylabel='Spending Score (1-100)'>
In [ ]:
In [ ]:
In [29]:
# 중심좌표를 알려주는 cluster_centers_
# 각 군집마다 중심 좌표를 알려준다
km.cluster_centers_
Out[29]:
array([[55.2962963 , 49.51851852],
[25.72727273, 79.36363636],
[26.30434783, 20.91304348],
[88.2 , 17.11428571],
[86.53846154, 82.12820513]])
In [31]:
cnt = km.cluster_centers_
cnt[:,0]
Out[31]:
array([55.2962963 , 25.72727273, 26.30434783, 88.2 , 86.53846154])
In [32]:
cnt[:,1]
Out[32]:
array([49.51851852, 79.36363636, 20.91304348, 17.11428571, 82.12820513])
In [37]:
# 군집 별 중심좌표를 시각화
plt.scatter(x=cnt[:,0], y=cnt[:,1], c="red", s=200)
# c : 표시될 점의 색깔
# s : 표시될 점의 크기
Out[37]:
<matplotlib.collections.PathCollection at 0x1539bbc9210>
In [39]:
# 군집의 표본과 중심좌표를 동시에 시각화
plt.figure(figsize=(12,8))
sns.scatterplot( data = df[f], x="Annual Income (k$)", y="Spending Score (1-100)", hue="cluster" )
plt.scatter(x=cnt[:,0], y=cnt[:,1], c="red", s=200)
Out[39]:
<matplotlib.collections.PathCollection at 0x15398c23650>
In [ ]:
In [ ]:
In [40]:
fe = ['Annual Income (k$)', 'Spending Score (1-100)']
label = "cluster"
In [41]:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df[fe], df[label], test_size=0.3)
In [46]:
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
# 새로운 데이터가 들어오면 몇번 그룹인지 분류하기 위해
# RandomForestClassifier 를 사용
params = {
"n_estimators" : range(5,100,10),
"max_depth" : range(4,11,2),
"min_samples_leaf" : range(5,21,5)
}
In [47]:
rfc = RandomForestClassifier()
grid_cv = GridSearchCV(rfc, param_grid=params, cv=3, n_jobs=-1)
grid_cv.fit(X_train, y_train)
print("최적의 파라미터 : ", grid_cv.best_params_)
print("train : ", grid_cv.score(X_train, y_train))
print("test : ", grid_cv.score(X_test, y_test))
최적의 파라미터 : {'max_depth': 4, 'min_samples_leaf': 5, 'n_estimators': 25}
train : 0.9928571428571429
test : 0.9333333333333333
In [49]:
# 새로운 데이터를 집어넣으면 몇번째 그룹에 해당하는 데이터인지
# 분류해준다
grid_cv.predict([[20,20]])
Out[49]:
array([2])
728x90
'BE > 머신러닝(ML)' 카테고리의 다른 글
| [머신러닝] 변수 선택법 ( feature selection ) (0) | 2024.05.28 |
|---|---|
| [머신러닝] 회귀 및 평가지표 (0) | 2024.05.27 |
| [머신러닝] 과적합 및 하이퍼파라미터 (0) | 2024.05.27 |
| [머신러닝] 지도학습 ( 분류, 회귀 ), 평가지표 선택하는 방법 (0) | 2024.05.24 |
| [머신러닝] 탐색적 데이터분석 ( EDA, 표준화, 가중치 ) (0) | 2024.05.24 |