聚类分析方法与数据挖掘,机器学习之聚类分析，如何分析用户？

机器学习问题有两类：监督学习和无监督学习。聚类分析属于无监督机器学习中的一种算法。

在做用户分析的时候，聚类分析主要用于用户分类，下面通过一个案例说明。

案例背景

在用户运营过程中，通常需要根据用户的属性对用户进行归类，以便于在转化过程中获得更大的收益。用户有很多属性，究竟选择哪些属性进行分析呢？

1、第一个基本理论：RFM模型

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了客户分类最好的指标：

举个例子：

可以得出结论：客户B的价值高于客户A。这个理论被称为RFM模型。

2、第二个基本理论：聚类分析

实际问题中，可不止两个客户，通常会有很多用户，所以需要根据R、F、M指标对用户进行分类，然后再判断每个类别的客户价值，而对用户进行分类的常用方法就是聚类分析。

以上两个基本理论合起来称为RFM聚类分析。

例如，数据分析师从数据库中提取出以下用户相关数据。

用户ID、首次购买时间、最近一次购买时间、购买总金额、购买总次数。

根据RFM模型，我们需要R、F、M这三个指标，而拿到的数据没有，所以需要先根据原始数据构造这三个指标：

说明：假设该产品的消费频率为月，所以这里统计以月为单位。

构造R、F、M这三个指标后，用工具（Python、R或者SPSS）进行K-Means聚类分析，将用户分成4个或8个类别。

说明：聚类分析主要用于这里！！！

计算每个类别的R、F、M指标的均值，根据这三个核心指标，标注每个类别的用户价值：高价值用户、重要挽留客户、重要保持客户、低价值客户等。

简单来说两步：画出原始数据，画出聚类效果。根据你的数据情况可选择不同的画图命令。

但问题需要再具体一些，

1、几维的数据，超过三维的数据没法画，一般多是二维的数据，三维的也有，相对较少

2、聚类结果如何表示，用同一颜色表示同一类，还是同一类的用一个圆圈或多边形圈起来

3、聚类中心是怎么定义的