數(shù)據(jù)挖掘?qū)嶒瀳蟾?編輯修改稿)
2025-08-30 23:59 本頁面
【文章內(nèi)容簡介】 的80%作為訓(xùn)練樣本，剩下的20%作為測試樣本。四、 實驗步驟對數(shù)據(jù)進行預(yù)處理把數(shù)據(jù)隨機分為兩部分，一部分用于訓(xùn)練，一部分用于測試。使用tree包里的tree函數(shù)以及訓(xùn)練數(shù)據(jù)構(gòu)建CART決策樹模型，使用predict函數(shù)和構(gòu)建的CART決策樹模型分別對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行分類。使用nnet包里面的nnet函數(shù)以及訓(xùn)練數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，使用predict函數(shù)和構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型分別對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行分類。對比分析CART決策樹和神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)處理的結(jié)果。五、 實驗結(jié)果 劃分后的決策樹運行的nnet腳本 六、 思考與分析 嘗試采用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行分類，并與CART決策樹的結(jié)果進行比較。比較結(jié)果如下圖顯示實驗三一、 實驗原理 Kmeans算法是硬聚類算法，是典型的基于原型的目標函數(shù)聚類方法的代表，它是數(shù)據(jù)點到原型的某種距離作為優(yōu)化的目標函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調(diào)整規(guī)則。Kmeans算法以歐式距離作為相似度測度，它是求對應(yīng)某一初始聚類中心向量V最優(yōu)分類，使得評價指標J最小。算法采用誤差平方和準則函數(shù)作為聚類準則函數(shù)。二、 實驗?zāi)康模豪肦實現(xiàn)數(shù)據(jù)標準化。利用R實現(xiàn)KMeams聚類過程。三、 實驗內(nèi)容依據(jù)航空公司客戶價值分析的LRFMC模型提取客戶信息的LRFMC指標。對其進行標準差標準化并保存后，采用kmeans算法完成客戶的聚類，分析每類的客戶特征，從而獲得每類客戶的價值。編寫R程序，完成客戶的kmeans聚類，獲得聚類中心與類標號，并統(tǒng)計每個類別的客戶數(shù)四、 實驗步驟對已有的數(shù)據(jù)進行數(shù)據(jù)清理，對處理后的數(shù)據(jù)進行保存。數(shù)據(jù)探索，確定探索分析的變量，去掉日期型變量，最終輸出變量最值、缺失情況。將數(shù)據(jù)進行標準化
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1