Вопрос или проблема
Я использую реальные CSV-файлы клиентов из моего интернет-магазина. Изначально я собирался использовать k-средние с 2 значениями. Я хочу, чтобы эти два значения были кодом провинции и суммой расходов в моем магазине. Это в конечном итоге покажет, какой регион тратит больше всего денег в моем магазине. Однако коды провинций представлены как ‘CA, QC, UT, …’ и на самом деле нельзя использовать строку для k-средних.
Я думал о том, чтобы присвоить каждому коду числовое значение и построить график таким образом, но не думаю, что это имеет смысл для k-средних. Есть идеи, как я могу реализовать машинное обучение другим способом? Я предоставлю образец своего очищенного CSV. Я не могу предоставить оригинал, так как это незаконно с моей стороны – раскрывать адреса клиентов. 
Ваша проблема, скорее всего, не требует решения с использованием машинного обучения. Если вас интересует задача «данный клиент из штата X, предсказать, сколько клиент потратит», вы можете вычислить медиану/среднее значение общих расходов для каждого штата. Рассмотрите возможность построения графика, чтобы отобразить как дисперсию, так и медиану/среднее значение, например, с помощью боксплота.
import seaborn as sns
import pandas as pd
df = pd.read_csv('data.csv')
sns.boxplot(data=df, x="Код провинции", y="Всего потрачено")
Сначала вам нужно определить вашу задачу. Хотите ли вы предсказать, сколько клиент потратит, основываясь на его местоположении, канале привлечения и некоторых других переменных, которые у вас могут быть, или хотите ли вы предсказать свои продажи для данного региона в определённый период времени? То есть, первый шаг вашего проекта по машинному обучению – определить вашу целевую переменную.
После того как вы определите свою проблему, создайте набор данных. Я предполагаю, что это будет достаточно просто для вас, так как вы можете экспортировать CSV из Shopify, так что у вас будут какие-то обучающие данные. Затем начните просто с этапа моделирования. Если вы новичок в машинном обучении, используйте «простые» алгоритмы, такие как линейная регрессия, деревья решений, логистическая регрессия, наивный Баес, KNN (имейте в виду, что не все они могут подойти для вашей проблемы – уделите время на изучение каждого из них). У вас, вероятно, будут некоторые категориальные переменные (регион, канал), поэтому потребуется выполнить некоторые предварительные этапы обработки. Я рекомендую вам ознакомиться с документацией sklearn, она дружелюбна к новичкам, но очень мощная и ценная. Там много примеров того, как использовать библиотеку.
В контексте ответа от @etet выше, я также думаю, что вы получите больше ценности от углубленного разведочного анализа. Начните с этого, а затем перейдите к машинному обучению.
Позвольте мне сначала указать на проблему использования числового кодирования для кода провинции: не будет логической структуры при присвоении чисел провинциям, и таким образом, k-средние, учитывая непрерывные точки данных, попытаются осмыслить это закодированное значение, что не приведет к какой-либо значимой информации. Таким образом, прямые характеристики о провинции, такие как площадь и географические координаты провинции, окажутся более полезными, если вы хотите использовать это в качестве характеристики для чего-то вроде k-средних. Моя другая точка заключается в том, чтобы правильно сформулировать задачу и точно определить, что вы можете извлечь из имеющихся у вас данных; вам не нужна модель для анализа расходов, сгруппированных по коду провинции, как предлагали другие ответы.
Ответ или решение
Для решения задачи предсказания взаимосвязи между местоположением клиентов и суммами их расходов в интернет-магазине, прежде всего, необходимо чётко определить цели вашего анализа. Вы рассматриваете возможность использования алгоритма машинного обучения, однако, есть более простые и эффективные методы, которые могут дать необходимые результаты без сложной модели.
1. Постановка задачи
Необходимо определить, хотите ли вы:
- Прогнозировать, сколько клиент потратит, основываясь на его местоположении и других факторах (например, канале привлечения).
- Оценить продажи для определенного региона в заданный промежуток времени.
2. Исследовательский анализ данных
Перед тем как применять любые алгоритмы машинного обучения, проведите исследовательский анализ данных (EDA). Это поможет вам лучше понять данные, выявить их основные характеристики и зависимости. Например, вам может быть полезно:
- Узнать средние и медианные суммы расходов для каждого провинции.
- Построить графики, такие как пляжные графики и ящиковые диаграммы (boxplot), для визуализации различий в расходах между регионами.
Пример кода для визуализации:
import seaborn as sns
import pandas as pd
# Загрузка данных
df = pd.read_csv('data.csv')
# Построение ящикового графика
sns.boxplot(data=df, x="Province Code", y="Total Spent")3. Выбор метода машинного обучения
Если ваша цель — предсказание сумм расходов с учётом местоположений, рассмотрите следующий подход:
Линейная регрессия
Линейная регрессия является простым, но мощным инструментом для вашей задачи. Благодаря своей интерпретируемости вы сможете понять, каким образом местоположение (состоящее в виде категориального признака) и другие переменные влияют на сумму расходов.
Классификация
Если вы хотите разделить клиентов на группы по уровням расходов, вы можете рассмотреть применение алгоритмов классификации, таких как решающие деревья или метод ближайших соседей (KNN). Вам потребуется преобразовать категориальные значения («Province Code») в числовые (например, с помощью one-hot кодирования).
4. Обработка категориальных данных
Преобразование категориальных переменных необходимо для корректного применения моделей. Используйте one-hot кодирование:
df = pd.get_dummies(df, columns=['Province Code'], drop_first=True)5. Рекомендации по дальнейшим шагам
-
Обработка данных: Подготовьте набор данных, включив все соответствующие переменные. Это могут быть демографические признаки, поведение в магазине и каналы привлечения клиентов.
-
Чистка данных: Убедитесь в отсутствии пропущенных или неверных значений.
-
Моделирование: Начните с простых моделей и постепенно переходите к более сложным, если начальные результаты будут недостаточно информативными.
-
Визуализация результатов: После построения модели создайте графики для оценки её производительности и понимания влияния различных факторов.
-
Обратная связь: Отправьте результаты анализа вашей команде для обсуждения и возможных изменений в стратегии работы с клиентами из разных регионов.
Заключение
Итак, для вашей задачи лучше всего подойдет линейная регрессия или другие методы, учитывающие как количественные, так и категориальные данные. Начните с тщательной подготовки данных и их анализа, что позволит вам более точно определить, какой метод машинного обучения будет наиболее подходящим в будущем.