基于抽樣矩陣的汽車客戶分群及離群點分析.pdf

1、目前市場上各個行業(yè)對客戶關系的重視程度越來越高,只有充分了解客戶需求,才能更準確的提供相應的產品和服務,使利潤最大化。而這其中最基本的要素便是數據挖掘中的客戶分群,也就用到了聚類分析及離群點分析,綜合應用下達到對客戶最深入全面的了解。對商業(yè)市場中的客戶關系管理具有很深遠的意義。
　　 本文利用最有代表性的汽車客戶數據作為典型代表進行分析,選擇改進的基于密度的聚類算法DBSCAN和基于距離的離群點檢測法對其進行分群分析和異常點檢測

2、分析。本文重點從簡化參數求取步驟來改進基于密度的聚類算法DBSCAN和基于距離的離群點檢測法。具體研究工作包括:
　　 (1)所選算法的合適度:總體上是利用兩個算法在原理上的相通之處,試著將二者結合在一起,共同對數據進行分析。由于聚類沒有最好的算法,而只有最合適的,因此需要根據數據特征選擇最合適的聚類方案。所以首先要保證所選擇的算法是最適合此數據集的,實驗結果表明,DBSCAN確實是最適合具有此特征的數據集的算法,相應的,鑒于基

3、于距離的離群點檢測法與其原理的相通性,也必然是適合此類型的數據集,這里便不再累述。
　　 (2)抽取數據確定所需參數:為了節(jié)省時間和空間,并且在保證聚類質量的前提下,提出了抽取部分數據進行運算確定參數,得到參數后對所有數據進行聚類及離群點分析.首先要選擇合適的取樣方法,還要保證參數的準確性。實驗表明,系統取樣法所抽取的數據其分布特征與總體數據的分布特征最相近,并且其所得參數基本與對所有數據進行運算所得參數相同。
　　 (