《数据挖掘与机器学习》 课件9.2.2 构建K-Means模型_第1页
《数据挖掘与机器学习》 课件9.2.2 构建K-Means模型_第2页
《数据挖掘与机器学习》 课件9.2.2 构建K-Means模型_第3页
《数据挖掘与机器学习》 课件9.2.2 构建K-Means模型_第4页
《数据挖掘与机器学习》 课件9.2.2 构建K-Means模型_第5页
已阅读5页,还剩9页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

构建电信运营商用户分群模型电信运营商用户分析任务描述电信通信服务的总方针是迅速、准确、安全、方便。在电信通信服务的总方针的指引下,通过客户基本信息,将用户分类,对每类用户进行个性化服务,最大程度地控制客户流失。本任务的操作将在保护用户信息安全的前提下进行。大数据时代,需要坚持网络安全为人民、网络安全靠人民,树立正确的网络安全观,提高自身网络安全意识和防护技能。本任务通过对客户性别、年龄、在网时长等信息进行简单的画图来观察客户基本信息与用户在3月是否流失的关系,进行K-Means聚类分析,建立用户分群模型。任务要求使用pandas库分析用户基本信息。使用sklearn库进行聚类分析。使用Matplotlib库实现结果的可视化。分析用户基本信息构建K-Means模型构建K-Means模型构建K-Means模型主要分为以下6个步骤。1选择聚类优度(计算MIC和BT)2绘制MIC曲线和BT曲线5聚类用户类别命名4绘制密度函数图6用户类别占比分析3构建模型聚类分析常见的数据挖掘手段,其主要假设是数据间存在相似性。而相似性是有价值的,因此可以被用于探索数据中的特性以产生价值。使用import和from导入KMeans、seaborn等开发类库。聚类前准备,使用linalg.norm函数计算二范数,使用for循环计算MIC和BT。MIC值是模型信息准则,通过最小化MIC值来估计聚类数量和分区,BT值是特征的体现程度,BT值越大代表该聚类结果更能体现分区特征。选择聚类优度为了更直观地看到聚类后的特征体现程度,使用plot函数绘制MIC曲线和BT曲线,将数据可视化。绘制MIC曲线和BT曲线选择聚类数目为5之后,使用KMeans进行聚类。构建模型建立聚类模型后,使用sns库中kdeplot函数绘制密度函数图。绘制密度函数图绘制密度函数图建立聚类模型后,使用seaborn库中kdeplot函数绘制密度函数图。根据实际情况与数据特征划分五类用户的命名。聚类用户类别命名输出类型类别1类别2类别3类别4类别5命名中高费用中低费用高费用低费用一般费用注意:不同的运行环境得到的聚类结果会存在一定的差异,五类用户的命名情况需要

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论