📖 챕터 소개

18강에서 우리는 K-Means 알고리즘을 사용해 고객들을 4개의 그룹으로 나누고, 그 결과를 수학적인 지표로 확인했습니다. 하지만 "실루엣 점수가 0.3617이다"라는 말은 비즈니스 담당자에게 아무런 의미가 없죠. 군집 분석의 진정한 가치는 이 숫자들을 실행 가능한 비즈니스 인사이트로 번역하는 데 있습니다. 이번 시간에는 plot_model로 군집을 시각화하고, assign_model로 각 고객에게 그룹 라벨을 붙인 뒤, 이 그룹들이 각각 어떤 특징을 가진 '고객 페르소나'인지 밝혀내는 탐정 작업을 시작해 보겠습니다!

🎯 챕터 목표

plot_model() 함수를 사용하여, 고차원 데이터에 형성된 군집을 2D 평면에 시각화하고 그 결과를 해석할 수 있습니다.
assign_model() 함수를 사용하여 원본 데이터의 각 행(고객)에 군집 라벨을 할당할 수 있습니다.
pandas의 groupby() 기능을 활용하여 각 군집의 평균적인 구매 패턴을 분석할 수 있습니다.
분석 결과를 바탕으로 각 군집에 **의미 있는 이름(페르소나)**을 부여하고, 비즈니스 전략을 도출할 수 있습니다.

💻 이번 챕터의 전체 코드 및 프로젝트 구조

이번 챕터의 핵심 코드

💡 plot_model로 군집의 분포를 눈으로 확인하고, assign_model로 얻은 결과에 groupby를 적용하여 각 군집의 정체를 밝혀냅니다.

# 1. 라이브러리 및 모델 준비 (18강 내용)
from pycaret.datasets import get_data
from pycaret.clustering import setup, create_model, plot_model, assign_model

# 데이터 로드, 설정, 모델 생성
wholesale_df = get_data('wholesale')
clu_experiment = setup(data=wholesale_df, session_id=123)
kmeans_model = create_model('kmeans')

# 2. 군집 결과 시각화
# 8차원의 데이터를 2차원으로 축소하여 각 군집의 분포를 보여줍니다.
print("--- 1. 군집 분포 시각화 ---")
plot_model(kmeans_model, plot='cluster')

# 3. 각 고객에게 군집 라벨 할당
# 원본 데이터에 'Cluster' 컬럼이 추가된 새로운 데이터프레임을 생성합니다.
labeled_df = assign_model(kmeans_model)
print("\\n--- 2. 군집 라벨이 할당된 데이터 ---")
print(labeled_df.head())

# 4. 군집별 특성 분석
# 각 군집(Cluster)별로 상품 카테고리의 평균 지출액을 계산합니다.
cluster_profiles = labeled_df.groupby('Cluster').mean()
print("\\n--- 3. 군집별 평균 구매 패턴 분석 ---")
print(cluster_profiles)

코드 실행 결과 미리보기

1. `plot_model(plot='cluster')` 실행 결과

4개의 군집(Cluster 0, 1, 2, 3)이 2차원 공간상에 어떻게 분포하고 서로 얼마나 잘 분리되어 있는지 시각적으로 확인할 수 있습니다.

2. `assign_model()` 실행 결과

원본 데이터의 맨 끝에 각 고객이 속한 군집 번호가 담긴 Cluster 컬럼이 추가되었습니다.