《數(shù)據(jù)挖掘與機器學習》 課件9.2.2 構(gòu)建K-Means模型

構(gòu)建電信運營商用戶分群模型電信運營商用戶分析任務(wù)描述電信通信服務(wù)的總方針是迅速、準確、安全、方便。在電信通信服務(wù)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(wù)，最大程度地控制客戶流失。本任務(wù)的操作將在保護用戶信息安全的前提下進行。大數(shù)據(jù)時代，需要堅持網(wǎng)絡(luò)安全為人民、網(wǎng)絡(luò)安全靠人民，樹立正確的網(wǎng)絡(luò)安全觀，提高自身網(wǎng)絡(luò)安全意識和防護技能。本任務(wù)通過對客戶性別、年齡、在網(wǎng)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(guān)系，進行K-Means聚類分析，建立用戶分群模型。任務(wù)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(jié)果的可視化。分析用戶基本信息構(gòu)建K-Means模型構(gòu)建K-Means模型構(gòu)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(gòu)建模型聚類分析常見的數(shù)據(jù)挖掘手段，其主要假設(shè)是數(shù)據(jù)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(jù)中的特性以產(chǎn)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(jié)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(jù)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(gòu)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(jù)實際情況與數(shù)據(jù)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(jié)果會存在一定的差異，五類用戶的命名情況需要