kmeans客户分类_机器学习 | KMeans聚类分析详解

最新推荐文章于 2024-04-21 03:12:02 发布
最新推荐文章于 2024-04-21 03:12:02 发布
阅读量2.5k 收藏 7
点赞数 1
文章标签： kmeans客户分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_32461163/article/details/113085640
版权

be02faf3a436106744d57ebdfe52726a.png

大量数据中具有"相似"特征的数据点或样本划分为一个类别。聚类分析提供了样本集在非监督模式下的类别划分。聚类的基本思想是"物以类聚、人以群分"，将大量数据集中相似的数据样本区分出来，并发现不同类的特征。

聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。尽管全球每日新增数据量以PB或EB级别增长，但是大部分数据属于无标注甚至非结构化。所以相对于监督学习，不需要标注的无监督学习蕴含了巨大的潜力与价值。聚类根据数据自身的距离或相似度将他们划分为若干组，划分原则是组内样本最小化而组间距离最大化。

  • 常用于数据探索或挖掘前期
  • 没有先验经验做探索性分析
  • 样本量较大时做预处理
  • 解决问题
    • 数据集可以分几类
    • 每个类别有多少样本量
    • 不同类别中各个变量的强弱关系如何
    • 不同类型的典型特征是什么
  • 应用场景
    • 群类别间的差异性特征分析
    • 群类别内的关键特征提取
    • 图像压缩、分割、图像理解
    • 异常检测
    • 数据离散化
  • 缺点
  • 无法提供明确的行动指向
  • 数据异常对结果有影响

本文将从算法原理、优化目标、sklearn聚类算法、算法优缺点、算法优化、算法重要参数、衡量指标以及案例等方面详细介绍KMeans算法。

KMeans

K 均值（KMeans）是聚类中最常用的方法之一，基于点与点之间的距离的相似度来计算最佳类别归属。

KMeans算法通过试着将样本分离到

equation?tex=n个方差相等的组中来对数据进行聚类，从而最小化目标函数 (见下文)。该算法要求指定集群的数量。它可以很好地扩展到大量的样本，并且已经在许多不同领域的广泛应用领域中使用。

被分在同一个簇中的数据是有相似性的，而不同簇中的数据是不同的，当聚类完毕之后，我们就要分别去研究每个簇中的样本都有什么样的性质，从而根据业务需求制定不同的商业或者科技策略。常用于客户分群、用户画像、精确营销、基于聚类的推荐系统。

算法原理

  • 从
    equation?tex=n个样本数据中随机选取
    equation?tex=k个质心作为初始的聚类中心。质心记为
    equation?tex=%5Cmu_1%5E%7B%280%29%7D%2C%5Cmu_2%5E%7B%280%29%7D%2C%5Ccdots%2C%5Cmu_k%5E%7B%280%29%7D%2C+%5C%5C
  • 定义优化目标
    equation?tex=J%28c%2C%5Cmu%29%3D%5Cmin%5Csum_%7Bi%3D1%7D%5EM%7C%7Cx_i-%5Cmu_%7Bc_i%7D%7C%7C%5E2+%5C%5C
  • 开始循环，计算每个样本点到那个质心到距离，样本离哪个近就将该样本分配到哪个质心，得到 K 个簇
    equation?tex=c_i%5Et%3C-arg%5C%2C%5Cmin_k%7C%7Cx_i-%5Cmu_%7Bk%7D%5Et%7C%7C%5E2+%5C%5C
  • 对于每个簇，计算所有被分到该簇的样本点的平均距离作为新的质心
    equation?tex=%5Cmu_%7Bk%7D%5E%7B%28t%2B1%29%7D%3C-arg%5C%2C%5Cmin_u%5Csum%5Eb_%7Bi%3Ac_i%5Et%3Dk%7D%7C%7Cx_i-%5Cmu%7C%7C%5E2+%5C%5C
  • 直到
    equation?tex=J收敛，即所有簇不再发生变化。

ad762e5a281201fc0c3ed083a23d1dda.png

KMeans迭代示意图

优化目标

KMeans 在进行类别划分过程及最终结果，始终追求"簇内差异小，簇间差异大"，其中差异由样本点到其所在簇的质心的距离衡量。在 KNN 算法学习中，我们学习到多种常见的距离 ---- 欧几里得距离、曼哈段距离、余弦距离。

在 sklearn 中的KMeans使用欧几里得距离：

最低0.47元/天 解锁文章
moodlab
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习：基于Kmeans聚类算法对银行客户进行分类
阿极的博客
05-14 1万+
K-means算法是一种常用的聚类算法，用于将数据集划分成k个不重叠的簇。其主要思想是通过迭代的方式将样本点划分到不同的簇中，使得同一簇内的样本点相似度较高，不同簇之间的相似度较低。
kmeans-用户分层
gengyanpeng's csdn blog
03-10 1903
业务场景 随着信贷产品上线半年后，前期根据用户基本信息、订单数据、充值数据、授信数据等进行授信不能满足大额用户的需求。为了更好的服务客户，需要针对不同场景进行精细化运营。解决以下问题: 控制信贷风险，减少损失 满足客户信贷需求，提升用户满意度 为此提出对平台各个用户根据规模数据提前对用户进行分层，然后套用之前授信模型，对用户进行授信。 以下只讲述一些思想和方法，具体数据不方便透露，代码网上很...
[机器学习]Kmeans聚类算法实践&&建模流程解读&&评估指标Inertia&&如何找到合适的K值
最新发布
m0_51955470的博客
04-21 156
【代码】[机器学习]聚类算法实践。
超详细！构建基于客户细分的 K-Means 聚类算法
Python学习与数据挖掘
06-14 7138
客群细分对于企业了解目标受众非常重要。根据受众群体的不同，我们可以给采取不同的营销策略。目前有许多无监督的机器学习算法可以帮助公司识别他们的用户群并创建消费群体。 在本文中，我将分享一种目前比较流行的 K-Means 聚类的无监督学习技术。K-Means的目标是将所有可用的数据分组为彼此不同的不重叠的子组。K-Means聚类是数据科学家用来帮助公司进行客户细分的常用技术。 在本文中，你将了解以下内容： K-Means聚类的数据预处理 从头构建K-Means聚类算法 用于评估聚类模型性能的指标 可视化构建簇
KMeans聚类算法进行客户分类
bdingings的博客
08-01 784
文章以某商场2015-2018.1月经营产生数据为分析对象，数据集含15个字段，共计393482条数据。目的在于挖掘不同客户消费特征，对客户进行有效分类，方便后续精细化运营。
基于K-MEANS聚类的客户价值分群
yeye1107的博客
06-23 3940
聚类分析在电子商务中网站建设数据挖掘中也是很重要的一个方面，通过分组聚类出具有相似浏览行为的客户，并分析客户的共同特征，可以更好的帮助电子商务的用户了解自己的客户，向客户提供更合适的服务。本实验报告以某餐饮公司客户数据为例，利用聚类的方法对客户进行价值分类，以便商家根据分类结果对不同价值类别的客户提供个性化的服务，制定相应的营销策略，从而达到精准营销以及利润最大化的目标。......
用K-均值聚类来探索顾客细分
南山牧笛的博客
12-06 2182
http://python.jobbole.com/83498/ 本文由 伯乐在线 - 高冷的精神污染 翻译，toolate 校稿。未经许可，禁止转载！ 英文出处：Greg。欢迎加入翻译组。 基于 Python 的顾客细分 在这篇文章中，我要谈的东西是相对简单，但却是对任何业务都很重要的：客户细分。客户细分的核心是能够识别不同类型的客户，然后知道如何找到更多这样的人，这样你
【机器学习项目实战】Python实现聚类(Kmeans)分析客户分组
08-20
【机器学习项目实战】Python实现聚类(Kmeans)分析客户分组 资料说明：包括数据集+源代码+Word文档说明。 资料内容包括： 1)问题定义； 2)数据收集； 3)数预处理； 4)探索性数据分析； 5)聚类模型； 6)聚类可视化...
机器学习算法之KMeans聚类算法实现.zip
04-20
机器学习算法 机器学习算法之KMeans聚类算法实现
移动通讯客户Kmeans聚类分析练习数据集.xlsx
06-25
移动通讯客户Kmeans聚类分析练习数据集Excel格式，适用于机器学习入手练习，xlsx格式，适合多种数据分析工具
mall_customers-:使用kmeans聚类的无监督学习
04-22
该代码应用了机器学习技术，即Kmeans聚类。 使用的数据来自Kaggle。 该代码涉及到数据准备和可视化，使用kmeans技术进行聚类以及使用度量“在群集平方和内”和“ Silhouette_score”进行聚类以找到最佳K。
kmeans图像分类
06-07
利用matlab实现的k均值算法，对不同主体的图片进行分类，内含图片资源，分类为人，建筑，车，恐龙，大象和海滩风景。
跟着Leo机器学习实战：Kmeans聚类
01-20
跟着Leo机器学习实战：Kmeans聚类 Kmeans聚类 优点：容易实现 缺点：容易陷入局部最小值，在大规模数据收敛很慢。 适用数据类型：数值型数据 伪代码 加载数据 from numpy import * def loadDataSet(fileName): #...
数据挖掘实战：基于KMeans算法对超市客户进行聚类分群
m0_64336780的博客
08-01 2万+
本实验基于KMeans算法对超市客户进行了聚类分群。通过对客户购物数据进行聚类，我们成功将客户分为不同的群体。每个群体代表了具有相似购物行为和偏好的客户群体。通过实验结果，我们发现了客户群体之间的明显差异和共性。不同群体的客户在购买频率、购物金额和购买种类等方面有所区别。这为超市提供了重要的市场细分信息，帮助超市经营者更好地了解不同客户群体的需求和喜好，制定有针对性的营销策略和商品推荐，提高客户满意度和忠诚度。此外，实验还揭示了超市客户的购物行为规律，为超市优化商品陈列和促销策略提供了指导。
K-means聚类
CSDNXXCQ的博客
03-07 759
具体而言，可以先随机分配数据点到簇中，然后依次更新每个簇的中心点，直到簇中心点不再发生变化或达到最大迭代次数。具体而言，可以先随机分配数据点到簇中。更新：在所有数据点都被分配到对应的聚类中之后，重新计算每个聚类中心点的位置，即将每个聚类中的所有数据点的坐标平均值作为新的聚类中心点位置。由于将xi分配到距离其最近的簇中时，ΔJ应当小于等于0，因此可以通过比较ΔJ的大小，将xi分配到距离其最近的簇中。分配：对于每个数据点，计算其到每个聚类中心点的距离，并将其分配到距离最近的聚类中心点所代表的聚类中。
K-Means分类法介绍
热门推荐
简单点儿，通俗点儿，机器学习
05-10 2万+
K-Means分类法介绍 作者：liangdas 出处：从模式识别眼光来看遥感的理论方法 引言：    前面介绍的最小距离分类法和最大似然分类法，它们在分类之前，都需要有一些已知的标记好的样本，作为训练数据，然后再去训练模型，最后才能用这个模型去对未知类别的样本做分类，这就是所说的监督分类。监督分类 supervised classification）又称训练场地法，是以建立统计识别函数为
经典聚类算法——Kmeans详解
白话机器学习
07-03 1万+
一、什么是聚类Clustering (聚类)是常见的unsupervised learning (无监督学习)方法。聚类的目的就是将大量数据中具有”相似”特征的数据或样本划分到同一个类别中。聚类模型建立在无类别标记的数据上，需要实现的目标只是把相似的样本聚到一起，即只是利用样本数据本身的分布规律。聚类模型会根据数据自身间的”距离”或”相似度”将他们划分成若干组，划分的基本原则就是使组内样本间距离最小化而组间距离最大化。常用的聚类算法如下：二、kmeans算法基本原理kmeans算法又称k均值算法，是最常用的
K-Means介绍
qq_40127785的博客
06-22 1212
K-Mean K-Means 即K均值聚类，属于划分聚类。 工作原理： 根据初始化的聚类中心信息，计算每个样本到这些中心的距离 ，可以判断每个样本均归属于某个类簇，更新聚簇中心信息，重新计算每个样本到新的聚类中心的距离，重新划分样本到新的聚类中心对应的类中，重复进行，直到满足终止条件。 有N个样本点，使用K-Means将其聚类的步骤： 确定聚类的个数k，并指定k个聚类的中心C1，C2…Ck； 计算每个样本Si 点到k个中心的距离，并将该店归入最近的Cj 类中，其中 i∈(1,N), j∈(1,k); 重
客户价值分析-聚类
码上中年的博客
03-11 2778
客户分类价值最高的三要素（RFM模型） R - 最近一次消费距当前的时长（Recency） F - 消费频率(Frequency) M - 消费金额(Monetary) 1.1 举例： 客户A: R 180天 F 1次/月 M 100元/月 客户B: R 3天 F 10次/月 M 1000元/月 则： 客户B价值高于客户A 1.2 客户分类 超级用户/重要价值客户： RFM指标都很高 ...
python中kmeans怎么导入数据集_Python机器学习K均值聚类建模和调参
05-28
要在Python中使用K均值聚类算法，首先需要导入数据集。一般来说，可以使用Python中的pandas库或numpy库读取数据。以下是使用pandas库读取数据的示例代码： ``` import pandas as pd data = pd.read_csv("data.csv") # 读取csv格式的数据集文件 ``` 需要将`data.csv`替换为您实际数据集文件的名称和路径。如果数据集是以其他格式存储的，可以使用相应的函数进行读取，例如`pd.read_excel()`读取Excel文件。 读取数据集后，可以进行数据预处理，例如去除缺失值、归一化等操作，然后将数据集作为输入传递给K均值聚类算法进行建模和调参。 以下是使用scikit-learn库进行K均值聚类建模和调参的示例代码： ``` from sklearn.cluster import KMeans kmeans = KMeans(n_clusters=3) # 设置聚类数为3 kmeans.fit(data) # 对数据进行聚类 ``` 这里的`n_clusters`参数指定聚类数，可以根据数据集的特点进行调整。`fit()`方法将数据集作为输入进行聚类。聚类完成后，可以使用其他方法对聚类结果进行分析和可视化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值