1) pca -> k-means 기존 컬럼들을 스캐일링 후 주성분 분석한 컬럼으로 클러스터링 하여 나온 라벨을 시각화하였다
2) t-SNE 스탠다드 반에서 들었을 때, 로버스트하며 스캐일링이 없었던 것이 떠올라 이 또한 시각화하였다
생각보다 모양이 예쁘게 나오지 않았다
애초에 현실에서 자연스럽게 모이는 데이터는
예쁘게 나오기가 더 힘들 거 같기도 하다
EDA를 통해 클러스터링에서 나온 라벨링마다 특징을 잡아야 한다
EDA
팀내에서 RFM 분류를 한 것과 클러스터링에서 나온 라벨링 맴버십 별 특징을 보았다
R, F, M의 cut시 bins 를 정하는 것을 고심한 성과가 나온 것 같다 RFM 분류에서의 등급은 9개지만 클러스터링에서는 클러스터 수를 줄이는 방향도 생각 중이다 M에서의 평균 값이 전체 M에서의 max값과 비슷하거나 클러스터 내 데이터 수가 극단적인 것이 그 근거다
