Python-zelfstudie: Een model bouwen om klanten te categoriseren met SQL Machine Learning

Van toepassing op: SQL Server 2017 (14.x) en latere versies van Azure SQL Managed Instance

In dit artikel leert u het volgende:

In deel 1 hebt u de vereisten geïnstalleerd en de voorbeelddatabase hersteld.

In deel twee hebt u geleerd hoe u de gegevens uit een database voorbereidt om clustering uit te voeren.

In deel vier leert u hoe u een opgeslagen procedure maakt in een database die clustering in Python kan uitvoeren op basis van nieuwe gegevens.

Vereiste voorwaarden

• In deel drie van deze zelfstudie wordt ervan uitgegaan dat u aan de vereisten van deel 1 hebt voldaan en dat u de stappen in deel twee hebt voltooid.

Het aantal clusters definiëren

Als u uw klantgegevens wilt clusteren, gebruikt u het K-Means-clustering-algoritme , een van de eenvoudigste en meest bekende manieren om gegevens te groeperen. Meer informatie over K-Means vindt u in een volledige handleiding voor het K-means-clustering-algoritme.

Het algoritme accepteert twee invoerwaarden: de gegevens zelf en een vooraf gedefinieerd getal 'k' dat het aantal clusters vertegenwoordigt dat moet worden gegenereerd. De uitvoer is k-clusters met de invoergegevens die zijn gepartitioneerd tussen de clusters.

Het doel van K-means is om de items in k-clusters te groeperen, zodat alle items in hetzelfde cluster zo vergelijkbaar zijn als elkaar en zo verschillend mogelijk zijn van items in andere clusters.

Als u het aantal clusters wilt bepalen dat het algoritme moet gebruiken, gebruikt u een plot van de som van kwadraten binnen groepen, op basis van het aantal geëxtraheerde clusters. Het juiste aantal clusters dat moet worden gebruikt, bevindt zich in de bocht of 'elleboog' van de plot.

################################################################################################
## Determine number of clusters using the Elbow method
################################################################################################

cdata = customer_data
K = range(1, 20)
KM = (sk_cluster.KMeans(n_clusters=k).fit(cdata) for k in K)
centroids = (k.cluster_centers_ for k in KM)

D_k = (sci_distance.cdist(cdata, cent, 'euclidean') for cent in centroids)
dist = (np.min(D, axis=1) for D in D_k)
avgWithinSS = [sum(d) / cdata.shape[0] for d in dist]
plt.plot(K, avgWithinSS, 'b*-')
plt.grid(True)
plt.xlabel('Number of clusters')
plt.ylabel('Average within-cluster sum of squares')
plt.title('Elbow for KMeans clustering')
plt.show()

Op basis van de grafiek lijkt het erop dat k = 4 een goede waarde is om te proberen. Deze k-waarde groepeert de klanten in vier clusters.

Clustering uitvoeren

In het volgende Python-script gebruikt u de KMeans-functie uit het sklearn-pakket.

################################################################################################
## Perform clustering using Kmeans
################################################################################################

# It looks like k=4 is a good number to use based on the elbow graph.
n_clusters = 4

means_cluster = sk_cluster.KMeans(n_clusters=n_clusters, random_state=111)
columns = ["orderRatio", "itemsRatio", "monetaryRatio", "frequency"]
est = means_cluster.fit(customer_data[columns])
clusters = est.labels_
customer_data['cluster'] = clusters

# Print some data about the clusters:

# For each cluster, count the members.
for c in range(n_clusters):
    cluster_members=customer_data[customer_data['cluster'] == c][:]
    print('Cluster{}(n={}):'.format(c, len(cluster_members)))
    print('-'* 17)
print(customer_data.groupby(['cluster']).mean())

De resultaten analyseren

Nu u clustering hebt uitgevoerd met behulp van K-Means, is de volgende stap het analyseren van het resultaat en te zien of u bruikbare informatie kunt vinden.

Bekijk de gemiddelde clusterwaarden en clustergrootten die zijn afgedrukt uit het vorige script.

Cluster0(n=31675):
-------------------
Cluster1(n=4989):
-------------------
Cluster2(n=1):
-------------------
Cluster3(n=671):
-------------------

         customer  orderRatio  itemsRatio  monetaryRatio  frequency
cluster
0        50854.809882    0.000000    0.000000       0.000000   0.000000
1        51332.535779    0.721604    0.453365       0.307721   1.097815
2        57044.000000    1.000000    2.000000     108.719154   1.000000
3        48516.023845    0.136277    0.078346       0.044497   4.271237

De vier clustermiddelen worden gegeven met behulp van de variabelen die zijn gedefinieerd in deel 1:

• orderRatio = retourorderverhouding (totaal aantal orders gedeeltelijk of volledig geretourneerd versus het totale aantal orders)
• itemsRatio = verhouding retouritem (totaal aantal geretourneerde items versus het aantal gekochte artikelen)
• monetaryRatio = retourbedragverhouding (totale monetaire hoeveelheid geretourneerde items versus het aangeschafte bedrag)
• frequency = retourfrequentie

Gegevensanalyse met behulp van K-Means vereist vaak verdere analyse van de resultaten en verdere stappen om elk cluster beter te begrijpen, maar het kan een aantal goede leads bieden. Hier volgen een aantal manieren waarop u deze resultaten kunt interpreteren:

• Cluster 0 lijkt een groep klanten te zijn die niet actief zijn (alle waarden zijn nul).
• Cluster 3 lijkt een groep te zijn die opvalt in termen van retourgedrag.

Cluster 0 is een set klanten die duidelijk niet actief zijn. Misschien kunt u marketinginspanningen richten op deze groep om een interesse voor aankopen te activeren. In de volgende stap voert u een query uit op de database voor de e-mailadressen van klanten in cluster 0, zodat u een marketing-e-mail naar hen kunt verzenden.

De hulpbronnen opschonen

Als u niet verdergaat met deze zelfstudie, verwijdert u de tpcxbb_1gb-database.

Volgende stappen

In deel drie van deze reeks zelfstudies hebt u de volgende stappen uitgevoerd:

• Het aantal clusters definiëren voor een K-Means-algoritme
• Clustering uitvoeren
• De resultaten analyseren

Als u het machine learning-model wilt implementeren dat u hebt gemaakt, volgt u deel vier van deze reeks zelfstudies: