https://github.com/erichidekimiyahara/clusterizacaoclienteskmeans

Este repositório contém o algoritmo K-Means para prever as classificações e avaliar o desempenho do modelo.
https://github.com/erichidekimiyahara/clusterizacaoclienteskmeans

aprendizado-de-maquina aprendizado-nao-supervisionado google-colab inteligencia-artificial jupyter-notebook kmeans python

Last synced: 15 days ago
JSON representation

Este repositório contém o algoritmo K-Means para prever as classificações e avaliar o desempenho do modelo.

• Host: GitHub
• URL: https://github.com/erichidekimiyahara/clusterizacaoclienteskmeans
• Owner: EricHidekiMiyahara
• Created: 2024-10-14T19:53:10.000Z (about 1 month ago)
• Default Branch: main
• Last Pushed: 2024-10-24T18:49:11.000Z (22 days ago)
• Last Synced: 2024-10-26T01:59:54.636Z (21 days ago)
• Topics: aprendizado-de-maquina, aprendizado-nao-supervisionado, google-colab, inteligencia-artificial, jupyter-notebook, kmeans, python
• Language: Jupyter Notebook
• Homepage: https://colab.research.google.com/gist/EricHidekiMiyahara/83af4e3f8340490643e418f22ff55169/clusterizacaoclientes.ipynb
• Size: 242 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
Clusterização de Clientes com o algoritmo Kmeans


[PYTHON]: https://img.shields.io/badge/Python-FFD43B?style=for-the-badge&logo=python&logoColor=blue

[COLAB]: https://img.shields.io/badge/Colab-F9AB00?style=for-the-badge&logo=googlecolab&color=525252

[JUPYTER]: https://img.shields.io/badge/Jupyter-F37626.svg?&style=for-the-badge&logo=Jupyter&logoColor=white

![Phyton][PYTHON]

![Google Colab][COLAB]

![Jupyter Notebook][JUPYTER]



 Sobre • 

 Instrução de uso •

 Tecnologias utilizadas •

 Contribuição •

 Links úteis 



📌 Sobre


Primeiramente, usei o algoritmo de "K-means clustering" para segmentar clientes de uma empresa fictícia com base em duas variáveis: renda anual e gastos anuais. Logo em sequência, implementei a abordagem utilizando a biblioteca "Scikit-Learn" na linguagem de programação Python, destacando o processo de inicialização dos centróides, atribuição de clientes e ajuste dos centróides até a convergência do modelo.

Você pode acessá-lo [aqui](https://colab.research.google.com/gist/EricHidekiMiyahara/83af4e3f8340490643e418f22ff55169/clusterizacaoclientes.ipynb).

Instrução de uso


Aqui você decide como rodar seu próprio projeto.

1. Primeiramente, você vai ter que ir no arquivo "ClusterizacaoClientes.ipynb".

2. Segundamente, clique em Open in Colab para abrir o arquivo no Google Colab.

3. Por fim, não é necessário você rodar o 1º e o 2º exemplo, pois já vai estar apresentado os gráficos correspondentes. Mas, você pode alterar o valor de clusters máximo na variável "limite_k" para enfim verificar como que esse valor afeta no gráfico como todo.

Tecnologias utilizadas


- **Python:** Linguagem de programação

- **Google Colab:** IDE

📫 Contribuição


Agradeço a contribuição para o projeto. Se você está corrigindo um bug, adicionando uma funcionalidade, ou melhorando a documentação, sua contribuição é valiosa. Veja como você pode contribuir:

1. **Criar uma nova funcionalidade**

Você pode criar mais variáveis para a empresa ou criar mais exemplos de uso do algoritmo K-Means.

2. **Siga os padrões de codificação**

Consistência é fundamental! Aderir aos padrões de codificação e padrões estabelecidos no projeto. Isso garante a legibilidade e a manutenção do código.

3. **Espere pela revisão**

Irei rever a sua solicitação de pull. Participe da discussão e faça as alterações solicitadas. Suas contribuições serão mescladas no projeto uma vez aprovada!

Links Úteis


- [Projeto](https://colab.research.google.com/gist/EricHidekiMiyahara/83af4e3f8340490643e418f22ff55169/clusterizacaoclientes.ipynb)

- [Artigo](https://www.linkedin.com/feed/update/urn:li:activity:7251697145542549504/)