數據挖掘方法簡介

數據挖掘方法簡介

聚類分析

目的：根據分析對象的相似性和差異性分群，從而了解不同群體行為特征和需求。思想：物以類聚，人以群分。案例：玩家區(qū)隔分析聚類分析所有個體聚類分析聚類分析群體一群體二群體三群體四聚類分析

案例簡介：資料：在線時長、上線次數、上線時長、充值次數、充值金額、技能數量、仇人數量、好友數量、完成任務次數、幻獸數量、配偶數量、加入家族數量、加入軍團數量（玩家升至60級的累計數量）。分析方法：k-means、兩步聚類等聚類分析

結果：將到達60級的玩家分成五個群體：高價值貢獻者、不熱衷社交的游戲技巧專家、全方位平衡玩家、重視技巧的社交連接者和打發(fā)時間者。應用：1）可根據不同群體的特征，改進游戲的玩點。

2）可描述出不同群體的特征及需求，從而使個性化服務成為可能。判別分析

案例同“聚類分析”案例目的：對未參加分群的玩家進行類別歸類，即，當新的玩家達到60級時，判斷他屬于哪種類型，從而投其所好，提出其所需的玩點和需求。思想：假定玩家群體穩(wěn)定，預測新玩家類別。判別分析建模數據（已知分類）利用工具建立模型得到判別方程式類別1類別4類別2類別3判別分析判別方程輸入輸出新樣本判別結果判別分析分析方法：判別分析（也可用多項Logistic回歸等模型）結果：當一個玩家到達60級時，把其屬性指標代入判別方程或其它恰當的模型，判斷其屬于上述5類中的哪一個類別。游戲中的可能應用：當有需求點對點接觸玩家時，可用該方法判別玩家群體。也可對人為已分好的群體進行判別分析。分類估計和預測

案例：有線電視服務銷售。目的：找出愿意預訂有線電視交互服務的用戶。思想：根據已有資料預測新用戶是否響應某種服務或活動。案例介紹：資料：用戶的年齡、性別、教育、收入、每天看電視的時間和子女數、是否有意預定有線電視交互服務。分類估計和預測分析方法：分類回歸樹、二項Logistic回歸、C5.0模型等根據已有客戶上述資料用分類回歸樹方法對有線電視交互服務響應情況歸納規(guī)則，當提供新用戶屬性資料時，將該資料輸入模型，則預測出該新客戶是否響應該服務。分類估計和預測模型訓練集工具建模決策樹模型決策列表模型神經網絡模型Logistic回歸模型

……

建立模型評價模型選出多個較優(yōu)的模型分類估計和預測選出的多個較優(yōu)模型進出模型測試集測試模型精度判斷模型好壞選出最優(yōu)模型分類估計和預測估計或預測樣本最優(yōu)模型輸入輸出估計或預測結果分類估計和預測結果：預測用戶是否愿意預訂有線電視交互服務及預訂該服務的概率。應用：針對愿意預訂該服務的客戶或者針對預訂該服務的高概率用戶進行營銷，做到有針對性的營銷。在游戲中的可能應用：玩家流失預測。市場購物籃分析（規(guī)則歸納）

案例：超市購物籃分析目的：找出消費者所購買商品之間的聯系并歸納其規(guī)則，并描述購買產品組的購買者特征。思想：根據歷史購買數據歸納購買者的購買習慣和行為。市場購物籃分析（規(guī)則歸納）案例介紹：資料：顧客的性別、年齡、收入等屬性特征，購買價格、支付方法及所購買產品類別的相關信息。分析方法：GRI－歸納所購物品之間的關聯；決定樹C5.0－分析購買物品的玩家特征。市場購物籃分析（規(guī)則歸納）結果：

1）購買魚的顧客還同時購買果蔬；

2）購買酒的顧客還同時購買糖果；3）購買啤酒、凍肉的顧客同時購買罐裝蔬菜。應用：

1）可以根據關聯規(guī)則，將顧客習慣性一起購買的物品放在一起銷售或打包銷售；

2）自定義某類產品與其人口特征的需求匹配。在游戲中的應用：打包銷售虛擬物品。欺詐行為

案例：農業(yè)發(fā)展財政補貼申請中的欺詐探測。目的：在申請農業(yè)財政補貼時，是否存在欺詐行為。思想：用估計值（預測值）與實際值之間差值的大小來判斷個體行為是否異常。欺詐行為

案例介紹：資料：申請補貼田地的相關信息，包括申請序號、申請人姓名、田地所在區(qū)域、田地大小、降雨量、田地的收入、主要農作物、申請類型和申請金額。分析方法：根據資料中相關數據，用異常值診斷及各種預測模