반응형 clustering3 내배캠 TIL 55일차 클러스터링 팀에서 RFM 분류를 한 것과 비교하기 위해 클러스터링을 진행했다 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 클러스터링에서.. 2024. 4. 5. 내배캠 TIL 54일차 1. 가이드라인 1) 데이터 정제 원본데이터 : 로그데이터 원본데이터 -> 유저 특성 데이터 - 클러스터링 이후에 결과 집단의 특성을 토대로 비즈니스 전략 수립 가능 -> 비즈니스 전략 데이터 (1) 유저 분석을 위한 유저 기준으로 정리된 데이터 - 클러스터링 => 유저특성지표 row의 단위 : 유저 1명 col의 단위 : 해당 유저에 대한 통계량 + EDA해서 나온 요소들을 통합하기 (2) 마케팅, 비즈니스 전략을 위한 데이터 => 경향성, 인사이트 지표 2. EDA 1) R, F, M + 가중치 R : 총금액을 고려해서 얼마 이상은 (기간 * 0.8) F : 총금액을 고려해서 얼마 이상은 (기간 * 1.2) 2) 구매횟수대비 쿠폰사용율 3) 평균구매주기 4) ROAS 지표 = 광고비 대비 매출액(수익.. 2024. 4. 4. 내배캠 TIL 48일차 클러스터링 강의 1. 거리 1) 유클라디안 거리. - 통상적인 최단거리. 2) 맨해튼 거리. - 좌표 차의 합. 3) 민코프스키 거리. - 1), 2)를 결합하여 동시에 나타낸 것. 4) 코사인 거리. - 두 벡터 사이의 세타값에 따른 유사도를 구함. - 코사인 유사도(SIM) = 내적 / 두 벡터 의 크기의 곱. - 코사인 거리 = 1 - SIM 5) 자카드유사도. - 두 벡터의 성분에 대해 합집합에 대한 교집합의 비율. - 넘파이 모듈을 통해 계산할 때에는 사용되는 array의 크기가 같아야 한다 2. 벡터와 행렬의 연산. (1) np.dot. - 단순한 벡터(행렬)의 곱셈 연산. - 1차원 배열의 경우에는 broadcating이라는 법칙을 따름. - 다차원 배열(행렬)의 경우에는 행렬의 곱셈을 위한.. 2024. 3. 19. 이전 1 다음 반응형
