《人工智能基础与应用》第5章 物以类聚：发现新簇群课后习题答案

第5章物以类聚：发现新簇群

课后习题答案

一、考考你

L关于聚类说法正确是D。

A.聚类样本一定要有标签B.应该将所有特征数据作为聚类依据

C.聚类的k值可以随意指定D.聚类质心就是各簇群特征的平均值

2.下列C聚类性能评价指标在［-Lll之间,值越接近1说明聚类效果越好。

ACH分数B.戴维森堡丁指数DBlC.轮廓系数DJnertia

3.k-means模型的A参数能保证聚类结果复现。

A.random_stateB.initC.max_iterD.algorithm

4.衡量聚类效果好坏的主要依据是

A.各类之间的界限明显B.各样本离各自质心之和最小

C.类别之间的协方差越大越好D.同类样本紧促，不同类样本相距远

5.关于RFM模型的应用，说法错误的是D。

A.R、F、M是区分客户的三个重要指标

B.这三个指标是基于原始数据统计出来的

C.在具体场景应用RFM模型时，可以添加其它指标

D.训练模型前样本不进行标准化处理也是可以的

二、亮一亮

1.在案例1中用k-均值算法对莺尾花进行聚类时•，有哪些办法能帮你找到最优的k值？

参考答案：

(1)尽可能多的获得莺尾花的特征数据进行初步分析，基于特征数据确定种类的有效

值作为k的数值。

(2)在运行k-means聚类中根据聚类结果对比分析确定最优的k值。

2.在案例2的电商用户分类过程中，求各类客户样本的均值有何意义？请举例说明。

参考答案：

由于聚类前对原始数据进行了标准化处理，所以需要聚类后对质心进行反标准化转换,

得到原始均值，方便观察聚类结果和对业务场景的解释。

三、帮帮我

ɪ.Wholesalecustomersdata.csv文件保存有批发商客户数据，前5行数据如下图5.20所

示。数据集各属性函数如下。

ChannelRegionFreshMilkGroceryFrozenDetergents_PaperDelicassen

023126699656756121426741338

123705798109568176232931776

223635388087684240535167844

313132651196422164045071788

4232261554107198391517775185

图5.20批发商客户数据

÷Channel：客户渠道，1指酒店类，2指零售类。

÷Region：客户所在地区，1指里斯本，2指波尔图，3指其它地区。

令Fresh：在新鲜产品上的支出。

÷Milk：在乳制品上的支出。

令Grocery：在杂货上的支出。

◊Frozen：在冷冻产品上的支出。

令DetergentS-Paper:在清洁剂（纸）上的支出。

令Delicassen:在熟食上的支出。

请运用k-means聚类算法将这400名批发商客户进行聚类,并试图解释聚类结果。提示:

聚类时只考虑后6个特征，因为这6个特征代表客户的进货能力。

参考答案：

#数据预处理

#1.处理异常值在处理异常值之前，先来通过箱线图看看异常值.

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)

解释：可以看到以上6个连续型变量均有异常值，由于k-means算法对异常值较敏感，因

此选择剔除它。

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("原有样本容量:{0},剔除后样本容量:{1}".format(df.shape[O],del_df.shape[O]))

get_boxplot(del_df,2,8)

原有样本容量：440.剔除后样本容量:318

#2.变量离散化、归一化

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.迭代评估聚类的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()

根据肘部法则，选择K=2,也就是说将客户分成两群.

#4.客户分群

frompandas.plottingimportparallel_coordinates#训练模型

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']#绘制图像

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

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

plt.xticks(rotation=15)

plt.show()

从6种产品每年消费支出来看，客户群1在冷冻产品上最高，在洗涤剂和纸制品上最低,

而客户群2则在冷冻产品上最低，在洗涤剂和纸制品上最高，且客户群2在6种产品的消费

支出均高于中位数水平，因此客户群2为重要客户，客户群1则是一般客户。

#5.最终分群结果，将聚类后的标签加入数据集

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])#对6类产品每年消费水平进行绘制图像

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