Question

聚类分析和rfm分析有什么异同点

Answer 1

问：聚类分析和rfm分析有什么异同点

答：亲，您好您的问题已经收到，相关问题的解答如下 :聚类分析和rfm分析的优点：目前在互联网中，基本对于数据的收集做的还是比较完备了，采集了用户的各种行为数据等，可以更好的进行用户打标签、分层的操作。但是在传统行业中，没有太多的行为数据，其实能用的数据比较有限。但是，无论公司的数据做的有多不完备，也一定是有成交数据的。只要有成交数据，就能进行RFM的分析，这是最大的优势。而且，基于成交数据做的RFM模型，还是比较有效的。其次，模型的分层可解释性强。其他很多算法模型、机器学习模型，往往通过聚类进行用户的分层，对于业务来讲，不是很好解释。但RFM模型分成的8个用户类别，是非常好理解的。聚类分析和rfm分析的缺点：RFM模型其实是滞后性的分析模型，只有当用户发生了购买行为后，才能进行RFM的分析。而且模型的前提假设就是用户的前后行为是无差别的。

问：快速聚类、系统聚类、二阶聚类的优缺点

答：快速聚类：优点：1，简单，易于理解和实现；2，时间复杂度低3，当簇是密集的、球状或团状的，而簇与簇之间区别明显时，它的聚类效果很好。缺点：1，需要对均值给出定义；2，需要指定要聚类的数目，对 K 值敏感。也就是说，K 的选择会较大程度上影响分类效果；3，对离群点和噪声点敏感，一些过大的异常值会带来很大影响；4，算法对初始聚类中心选择敏感；系统聚类：优点：1，距离和规则的相似度容易定义，限制少；2，不需要预先制定聚类数；3，可以发现类的层次关系；4，可以聚类成其它形状缺点：1，计算复杂度太高；2，奇异值也能产生很大影响；3，算法很可能聚类成链状。二阶聚类：优点：1， 可以对任意形状的稠密数据集进行聚类，相对的，K-Means之类的聚类算法一般只适用于凸数据集。2、 可以在聚类的同时发现异常点，对数据集中的异常点不敏感。3、聚类结果没有偏倚，相对的，K-Means之类的聚类算法初始值对聚类结果有很大影响。缺点：1、如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差，这时用DBSCAN聚类一般不适合，如下图所示。2、如果样本集较大时，聚类收敛时间较长，此时可以对搜索最近邻时建立的KD树或者球树进行规模限制来改进。3、 调参相对于传统的K-Means之类的聚类算法稍复杂，主要需要对距离阈值ϵ，邻域样本数阈值MinPts联合调参，不同的参数组合对最后的聚类效果有较大影响。

问：聚类分析具体需要经过哪些个步骤

答：聚类分析的主要步骤1、数据预处理；2、为衡量数据点间的相似度定义一个距离函数；3、聚类或分组；4、评估输出。