對客戶的分析對于各行各業(yè)都是十分重要的,能夠準確的將客戶劃分為對應(yīng)的群體并進行深度的挖掘分析是十分關(guān)鍵的。其中,K-means算法經(jīng)常被應(yīng)用在客戶細分中。操作簡單、原理易懂是K-means的優(yōu)點,但聚類結(jié)果很容易受初始點、孤立點以及噪聲的影響,且該算法還要提前提供K值。故本文在其缺點上提出了相應(yīng)的改進,其改進思路是:利用改進的UPGMA算法篩選出候選中心點,然后將篩選出的候選中心點作為最大最小距離算法的輸入數(shù)據(jù),由于最大最小算法中需要用到參數(shù)θ,故本文采用分冶思想將θ所屬的區(qū)間分解成多個較小的區(qū)間,并利用屬性離散化對θ進行處理,接著利用BWP指標函數(shù)結(jié)果進行評價,將BWP指標按照由大及小取95%指標平均值作為最佳聚類數(shù)。該算法很好的解決了上述提到傳統(tǒng)K-means存在的問題。為了驗證該算法的有效性,本文選取了Iris,Glass和New-thyroid三個庫,并分別用不同的聚類算法進行分析,結(jié)果顯示本文的改進點可行。論文選取江西省南昌市農(nóng)商銀行部分購買投資理財產(chǎn)品e百福的客戶作為研究對象,在實驗上分別用改進的算法、傳統(tǒng)K-means算法以及基于最大最小距離算法對比實驗,利用實驗表明改進...

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文的研究背景以及意義
    1.2 研究現(xiàn)狀分析
        1.2.1 K-means聚類算法的研究現(xiàn)狀
    1.3 銀行投資理財現(xiàn)狀分析
        1.3.1 投資理財興起
        1.3.2 銀行個人理財產(chǎn)品的國內(nèi)外現(xiàn)狀
    1.4 論文安排
2 數(shù)據(jù)挖掘中的聚類分析
    2.1 數(shù)據(jù)挖掘技術(shù)
        2.1.1 數(shù)據(jù)挖掘的定義
        2.1.2 數(shù)據(jù)挖掘面臨的主要問題
    2.2 聚類分析概述
    2.3 主要的聚類方法
        2.3.1 基于劃分的方法
        2.3.2 基于層次的方法
        2.3.3 基于密度的方法
        2.3.4 基于模型的方法
        2.3.5 基于網(wǎng)格的方法
    2.4 聚類分析中的數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)類型、相似性度量
        2.4.1 聚類分析中的數(shù)據(jù)結(jié)構(gòu)
        2.4.2 聚類分析中的數(shù)據(jù)類型
        2.4.3 聚類分析中的相似性度量
    2.5 聚類準則函數(shù)
    2.6 本章小結(jié)
3 K-means聚類算法分析
    3.1 K-means聚類算法的基本步驟
    3.2 K-means聚類算法示意圖
    3.3 K-means聚類算法的流程
    3.4 現(xiàn)階段K-means聚類算法的優(yōu)缺點分析以及改進
        3.4.1 現(xiàn)階段K-means算法的優(yōu)缺點分析
        3.4.2 針對現(xiàn)階段K-means算法缺點提出的改進方法
    3.5 現(xiàn)階段K-means算法中給定K值方法
    3.6 現(xiàn)階段初始中心點的選取方法
    3.7 本章小節(jié)
4 改進的UPGMA與最大最小距離相結(jié)合的改進K-means算法
    4.1 UPGMA算法
        4.1.1 UPGMA算法思想
        4.1.2 UPGMA算法具體執(zhí)行描述
        4.1.3 UPGMA算法的優(yōu)劣勢以及改進
    4.2 最大最小距離算法
        4.2.1 最大最小距離算法思想
        4.2.2 最大最小距離算法優(yōu)缺點分析
    4.3 連續(xù)屬性離散化
    4.4 分冶算法
    4.5 BWP指標函數(shù)
        4.5.1 BWP指標函數(shù)的定義
        4.5.2 通過BWP指標函數(shù)確定K值
    4.6 改進后的K-means聚類算法
    4.7 仿真實驗與結(jié)果分析
        4.7.1 數(shù)據(jù)集
        4.7.2 實驗設(shè)計
        4.7.3 聚類結(jié)果及分析
    4.8 本章小結(jié)
5 改進后的K-means算法在投資理財方面的客戶行為分析
    5.1 購買理財客戶細分背景及意義
    5.2 數(shù)據(jù)準備及預(yù)處理
    5.3 模型的建立與實現(xiàn)
        5.3.1 所用的軟件介紹
        5.3.2 數(shù)據(jù)加載
        5.3.3 數(shù)據(jù)的量化
    5.4 K-means聚類客戶細分
        5.4.1 k-means算法聚類數(shù)的確定
        5.4.2 聚類過程及結(jié)果
        5.4.3 聚類客戶特征提取
    5.5 基于最大最小距離的k-means聚類客戶細分
    5.6 基于改進后的k-means聚類客戶細分
        5.6.1 改進后聚類過程及結(jié)果
        5.6.2 改進后聚類客戶特征提取
    5.7 不同聚類結(jié)果比較及營銷策略制定
        5.7.1 聚類結(jié)果比較
        5.7.2 營銷策略制定
    5.8 本章小結(jié)
結(jié)論
致謝
參考文獻



本文編號：3820238