聚類集成算法在客戶細分中的研究及應用.pdf

1、隨著信息技術(shù)發(fā)展的不斷深化，信息量增長極其迅速，在滿足了人們對信息需求的同時也帶來了新的難題，如何在這些紛繁復雜的數(shù)據(jù)洪流中搜尋有價值的信息已變得越來越重要。數(shù)據(jù)挖掘的出現(xiàn)為解決這些難題帶來了新的契機，因此能夠迅速的應用于不同的行業(yè)，客戶細分就是其中一個很好的應用場景。針對傳統(tǒng)客戶細分技術(shù)的諸多不足，將數(shù)據(jù)挖掘的相關(guān)技術(shù)應用于客戶細分能夠得到更為合理的劃分結(jié)果。
　　聚類分析是數(shù)據(jù)挖掘領(lǐng)域的常用技術(shù)之一，在客戶細分應用中有其特有的

2、優(yōu)勢，而聚類集成技術(shù)則能綜合多個聚類成員的劃分特點來得到更為穩(wěn)定、準確的結(jié)果。本文首先對K-means聚類算法初始聚類中心的選擇作了改進，針對現(xiàn)有文獻在對多個最大密度參數(shù)值求取對應的樣本點作為初始聚類中心時算法耗時長、準確率不佳等缺陷，提出了一種基于二次密度的改進方案。當存在多個最大密度參數(shù)值時，對這些最大值對應的樣本點求取二次密度，然后根據(jù)得到的密度值求取最佳的初始聚類中心，該方案縮短了算法選擇初始聚類中心的時間，同時提高了聚類的準確

3、率;在劃分簇的迭代過程中又引進一種模式結(jié)構(gòu)，用來存儲樣本點的簇標號以及到簇心的距離，并與下一次迭代的結(jié)果進行比較，依據(jù)結(jié)果來調(diào)整計算模式，以達到縮短迭代時間和減少計算量的目的;隨后用實驗驗證了該算法的有效性。
　　本文依據(jù)聚類集成思想對多個單一的聚類結(jié)果進行集成。首先通過重復抽樣的方式生成數(shù)據(jù)子集并用改進后的聚類算法進行劃分，生成多個基聚類器;然后依據(jù)標準互信息(NMI)來計算每個基聚類器的差異度，根據(jù)差異度對基聚類器進行選擇;最