易启发资源网一个让你成为创客的知识源泉,一个让你梦想成真的家园。
使用 K-means 算法进行客户分类
  • 首页 > 技术教程 > 经验教程
  • 作者:cj13888
  • 2018年9月27日 19:36 星期四
  • 浏览:135
  • 字号:
  • 评论:2
  • 本文为 AI 研习社编译的技术博客,原标题 :Customer segmentation using Machine Learning K-Means Clustering翻译 | 吕鑫灿、就2 校对 | 就2 整理 | 志豪原文链接:http://www.patterns7tech.com/customer-segmentation-using-machine-learning-k-means-clustering/


       基于信息技术的大多数平台正在生成大量数据。这些数据称为大数据,它承载了大量的商业智能。这些数据互相交融以满足不同的目标和可能性。应用机器学习技术就很有可能为客户创造价值。
       

       问题描述
       

       1.我们在会计学和物联网领域拥有基于大数据的平台,可以持续生成客户行为和设备监控数据。
       2.识别目标客户群或者基于不同维度分析(推导)模式非常关键,并且实在的为平台提供了优势。
       对应想法
       

       假设你有1000个客户使用你的平台并且不断地产生体量庞大的大数据,任何关于这方面的深入见解都将产生新的价值。
       作为Patterns7团队不断尝试的机器学习计划和创新事物的一部分,我们对K-Means聚类算法进行了实验,这为客户带来的价值非常惊人。
       

       解决方案
       

       聚类是将一组数据点划分为少量聚类的过程。在本部分中,你将理解并学习到如何实现K-Means聚类。
       

       K-Means聚类
      

       K-Means聚类是一种常用于将数据集自动划分为K个组的方法,它属于无监督学习算法。


    u=2718845245,1589221453&fm=173&app=25&f=JPEG.jpg


    K-Means目标

    K均值的目的是使每个点到其对应的聚类质心的距离的平方和最小。给定一组观测值(x1,x2,...,xn),其中每一个观测值都是d维实数向量,K均值聚类旨在将n个观测值划分为k(k≤n)个集合S={S1,S2,...,Sk}以最小化聚类内的平方和,其中i是Si中的点的平均值。保证K-Means算法收敛到局部最优。

    业务用途

    这是一种通用算法,可用于任何类型的分组。部分使用案例如下:

    行为细分:按购买历史记录细分,按应用程序、网站或者购买平台上的活动细分。库存分类:按照销售活动分组存货(准备库存)。传感器测量:检测运动传感器中的活动类型,并分组图像。检测机器人或异常:从机器人中分离出有效地活动组。

    k - means聚类算法

    步骤1:选择集群的数量K。步骤2:随机选择K个点,作为质心。(不一定要从你的数据集中选择)步骤3:将每个数据点分配到-> 构成K簇的最近的质心。步骤4:计算并重新放置每个集群的新质心。步骤5:将每个数据点重新分配到最近的质心。如果有任何重置发生,转到步骤4,否则转到FIN。

    示例:在python中对客户费用和发票数据应用K-Means集群。

    对于python,我使用的是Spyder Editor。

    下面,我们将展示K-means算法如何处理客户费用和发票数据的例子。

    我们有500个客户数据,我们关注两个客户特征: 客户发票,客户费用。

    一般来说,只要数据样本的数量远远大于特征的数量,该算法可以用于任意数量的特征。

    步骤1:清理和转换数据

    对于这个示例,我们已经清理和做了一些简单的数据转换。下面是pandas DataFrame的数据样本。

    导入库,

    1、numpy 即用于数学工具的,以在我们的代码中包含任何类型的数学2、matplotlib 绘制漂亮的图表3、pandas 用于导入数据集和管理数据集

    2.jpg


    步骤2: 我们对总费用和总发票应用聚类。在X中选择必需的列。

    3.jpg

    下图显示了500个客户的数据集,总发票在x轴,总费用在y轴。


    4.jpg

    步骤3:选择K并运行算法

    选择K

    上面描述的算法找到一个特定的预先选择K的集群和数据集标签。为了找到数据中的集群数量,用户需要运行K-means聚类算法对K个值的范围进行聚类并比较结果。一般来说,没有确定K的精确值的方法,但是可以使用以下技术得到精确的估计值。

    通常用于比较不同K值之间的结果的度量之一是:

    数据点与它们的集群中心之间的平均距离。

    因为增加集群的数量总是会减少到数据点的距离,所以增加K总是会减少这个度量,当K等于数据点的数量时达到0的极限。因此,这个指标不能作为唯一的目标。相反,将与质心的平均距离作为K的函数绘制出来,并使用“弯头点”(急剧下降的速度)来粗略地确定K。

    5.jpg

    用弯头法求出最优簇数K=3。对于本例,使用Python包scikit-learn进行计算,如下所示:

    # K-Means Clustering# importing the librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd# importing tha customer Expenses Invoices dataset with pandasdataset=pd.read_csv('Expense_Invoice.csv')X=dataset.iloc[: , [3,2]].values# Using the elbow method to find the optimal number of clustersfrom sklearn.cluster import KMeanswcss = []for i in range(1, 11):kmeans=KMeans(n_clusters=i, init='k-means++', max_iter= 300, n_init= 10, random_state= 0) kmeans.fit(X)wcss.append(kmeans.inertia_)plt.plot(range(1, 11),wcss)plt.title('The Elbow Method')plt.xlabel('Number of clusters K')plt.ylabel('Average Within-Cluster distance to Centroid (WCSS)') plt.show()# Applying k-means to the mall datasetkmeans=KMeans(n_clusters=3, init='k-means++', max_iter= 300, n_init= 10, random_state= 0)y_kmeans=kmeans.fit_predict(X)# Visualizing the clustersplt.scatter(X[y_kmeans == 0, 0], X[y_kmeans == 0, 1], s = 100, c = 'red', label='Careful(c1)')plt.scatter(X[y_kmeans == 2, 0], X[y_kmeans == 2, 1], s = 100, c = 'green', label='Standard(c2)')plt.scatter(X[y_kmeans == 1, 0], X[y_kmeans == 1, 1], s = 100, c = 'blue', label='Target(c3)')plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s = 250, c = 'yellow',label='Centroids')plt.title('Clusters of customer Invoices & Expenses')plt.xlabel('Total Invoices ')plt.ylabel('Total Expenses')plt.legend()plt.show()

    步骤4:查看结果

    下面的图表显示了结果。

    “谨慎型客户”谁的收入越少,他们花的也就越少。“一般客户”收入是平均的,他们花得更少,“目标客户”是谁的收入更多,他们花得更多。


    6.jpg


      您阅读这篇文章共花了:  
    二维码加载中...
    本文作者:cj13888      文章标题: 使用 K-means 算法进行客户分类
    本文地址:http://www.1316178.com/post-3.html
    版权声明:若无注明,本文皆为“易启发资源网”原创,转载请保留文章出处。

    版权所有:《易启发资源网
    文章标题:《使用 K-means 算法进行客户分类
    除非注明,文章均为 《易启发资源网》 原创
    转载请注明本文短网址:http://www.1316178.com/post-3.html  [生成短网址]

    清萍の剑客2018-09-28 19:46
    文章写的不错
    aimi1232018-09-27 20:30
    学习一下,谢谢
    返回顶部| 首页| 手气不错| 捐赠支持| 留言板| 自定义链接| 自定义链接| sitemap| 手机版本|后花园

    Copyright © 2017-2018 易启发资源网   粤ICP备18033131号-4

    2. 3.