《數(shù)據挖掘與機器學習》 課件9.2.2 構建K-Means模型_第1頁
《數(shù)據挖掘與機器學習》 課件9.2.2 構建K-Means模型_第2頁
《數(shù)據挖掘與機器學習》 課件9.2.2 構建K-Means模型_第3頁
《數(shù)據挖掘與機器學習》 課件9.2.2 構建K-Means模型_第4頁
《數(shù)據挖掘與機器學習》 課件9.2.2 構建K-Means模型_第5頁
已閱讀5頁，還剩9頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

構建電信運營商用戶分群模型電信運營商用戶分析任務描述電信通信服務的總方針是迅速、準確、安全、方便。在電信通信服務的總方針的指引下，通過客戶基本信息，將用戶分類，對每類用戶進行個性化服務，最大程度地控制客戶流失。本任務的操作將在保護用戶信息安全的前提下進行。大數(shù)據時代，需要堅持網絡安全為人民、網絡安全靠人民，樹立正確的網絡安全觀，提高自身網絡安全意識和防護技能。本任務通過對客戶性別、年齡、在網時長等信息進行簡單的畫圖來觀察客戶基本信息與用戶在3月是否流失的關系，進行K-Means聚類分析，建立用戶分群模型。任務要求使用pandas庫分析用戶基本信息。使用sklearn庫進行聚類分析。使用Matplotlib庫實現(xiàn)結果的可視化。分析用戶基本信息構建K-Means模型構建K-Means模型構建K-Means模型主要分為以下6個步驟。1選擇聚類優(yōu)度（計算MIC和BT）2繪制MIC曲線和BT曲線5聚類用戶類別命名4繪制密度函數(shù)圖6用戶類別占比分析3構建模型聚類分析常見的數(shù)據挖掘手段，其主要假設是數(shù)據間存在相似性。而相似性是有價值的，因此可以被用于探索數(shù)據中的特性以產生價值。使用import和from導入KMeans、seaborn等開發(fā)類庫。聚類前準備，使用linalg.norm函數(shù)計算二范數(shù)，使用for循環(huán)計算MIC和BT。MIC值是模型信息準則，通過最小化MIC值來估計聚類數(shù)量和分區(qū)，BT值是特征的體現(xiàn)程度，BT值越大代表該聚類結果更能體現(xiàn)分區(qū)特征。選擇聚類優(yōu)度為了更直觀地看到聚類后的特征體現(xiàn)程度，使用plot函數(shù)繪制MIC曲線和BT曲線，將數(shù)據可視化。繪制MIC曲線和BT曲線選擇聚類數(shù)目為5之后，使用KMeans進行聚類。構建模型建立聚類模型后，使用sns庫中kdeplot函數(shù)繪制密度函數(shù)圖。繪制密度函數(shù)圖繪制密度函數(shù)圖建立聚類模型后，使用seaborn庫中kdeplot函數(shù)繪制密度函數(shù)圖。根據實際情況與數(shù)據特征劃分五類用戶的命名。聚類用戶類別命名輸出類型類別1類別2類別3類別4類別5命名中高費用中低費用高費用低費用一般費用注意：不同的運行環(huán)境得到的聚類結果會存在一定的差異，五類用戶的命名情況需要

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論