基于weka的数据聚类分析实验

性变为分类型Р从图中我们可以看出,children属性变成了只有0,1,2,3四种取值的分类型。在Weka自动实施将children分类型到数值型的变换后,便将children分类型的属性变为四个取值0和1的属性,我们不妨设为children0,children1,children2,children3。于是,原来实例中孩子为0,1,2或3的实例,转变后其取值方法如下表:Р表2 变换为数值型后的children属性取值方法РChildren0РChildren1РChildren2РChildren3Р1Р0Р0Р0Р0Р1Р0Р0Р0Р0Р1Р0Р0Р0Р0Р1Р其中,children0取值1,说明这个实例原children属性的值为0,而且,每个实例在children*(*为0,1,2或3)四个属性上只能有唯一的一个属性取值为1,其余三个为0。Р这只是我自己的分析,由于在Weka还是保持的arff文件中没有找到相关的分类型变换为数值型后的结果,因此没有相关的截图。Р6. 实验总结Р本次实验进行比较顺利,使我对如何在Weka中进行聚类分析有了更深刻的了解,对Weka中进行聚类分析的simpleKmeans算法也有了进一步的理解,但是实验中所遇到的,如何以最快的速度找出最好的聚类方案的问题,还没有得到更好的解决。我将继续阅读相关的文献,希望可以找到这个问题的解决方案。Р已有实践证明电信目标市场营销客户分群的解决方案是极为成功且有效的。聚类分析的数据挖掘技术能够很好地应用于电信目标市场营销,为电信部门解决客户分群的难题。通过对客户消费模式进行聚类分析,得到客户分群,使得客户按照行为差异被分成若干个群落,同一群体中的客户具有相近的行为特征,不同群体间的客户具有相差很远的行为特征。对消费行为特征相对近似的若干种客户分群,向其推荐最适合的一类产品,以提高客户的购买率,增加销售收入。