Retail Customer Patterns

Сравнение моделей между DBSCAN и AgglomerativeClustering и какой лучше покажет себя по дататесте Retail Customer Patterns в отчете указать

Цель работы: Научиться разрабатывать и применять модели машинного обучения для решения задач кластеризации с использованием библиотек Python (например, scikit-learn, pandas, matplotlib). Получить практические навыки работы с данными, подготовки признаков, выбора и обучения моделей, оценки качества решений.

1 Порядок выполнения работы

1.1. Согласно полученному варианту (пункт 4) разработайте модель машинного обучения для решения задачи кластеризации.

1.2. Загрузите датасет (можно использовать открытые, например из sklearn.datasets или https://www.kaggle.com/datasetsLinks to an external site.).

1.3. Выполните анализ и предобработку данных:

Обработка пропусков, кодирование категориальных признаков.

Масштабирование и нормализация при необходимости.

1.4. Разделите данные на обучающую и тестовую выборки.

1.5. Обучите модель, используя не менее 2-х различных методов машинного обучения.

1.6. Оцените качество моделей по соответствующим метрикам.

1.7. Постройте графики для визуализации результатов модели.

1.8. Проведите сравнительный анализ разработанных моделей.

1.9. Оформите отчет о выполнении практической работы.

1.10. Требования к оформлению отчета: Шрифт – Times New Roman, размер – 12, интервал – полуторный, выравнивание – по ширине, абзацный отступ – 1,25 см, поля страницы: слева – 3 см, справа – 1,5 см, сверху и снизу – 2 см, интервал до и после – 0.

1.11. Через образовательный портал https://canvas.turan-edu.kz/ отправить отчет с результатами выполнения работы, ссылку на ноутбук, датасет с расширением .csv и ноутбук в формате .ipynb.

1.12. Защитить работу на практическом занятии на 10 неделе (в срок) или 11 неделе (с опозданием).