厦门大学数据挖掘数据的排序即有向聚类分析(编辑修改稿)内容摘要：
图 1a 图 1b 移动通讯用户消费概率分布与综合属性评价分布比较 2020/9/15 图 2 移动通讯用户消费综合属性评价排序 2020/9/15 2020/9/15 通过分析我们可以挖掘出以下知识： i).以此排序结果看，该地区移动手机用户平均消费最大的综合评价指标值是 ，即本地话费在 3档上 (100300元 )，长途话费和漫游费的消费在 2档上 (0100元 ).从总体上，该地区的移动手机用户的本地话费消费群体集中在 3档，长途话费和漫游费的消费群体集中在 2档上，处于中低档消费水平 . ii).这里需要特别说明的是，所有的 1档消费群体综合评价指标值为 ，排在第 13位，这些消费者虽然拥有手机但没有消费，它直接影响着该地区移动通讯的业务总收入量，这部分消费者具有潜在流失倾向，公司应该针对此情况采取措施 .我们对以后的几个月进行分析，发现这种情形越发严重 .这种异常现象的发现，充分体现了数据挖掘的特点 . 2020/9/15 167。 属性项 (变量 )的排序标准 2020/9/15 167。 以平均水平为标准的排序 2020/9/15 2020/9/15 2020/9/15 167。 以秩效应为标准的排序 2020/9/15 2020/9/15 2020/9/15 2020/9/15 2020/9/15 167。 数据的衍生 167。 数据矩阵 聚类分析是一种重要的人类行为，通过聚类人们能够识别密集和稀疏的区域，因而发现全局的分布模式，以及数据属性之间有趣的相互关系 .聚类分析作为数据挖掘的一种功能，不仅能独立地来获得数据分布情况，观察每个族的特点，集中对待定的某些族作出进一步的分析，而且还是进行其它数据分析 (如回归、分类、网络分析等 )的预处理过程 (Owen, A. B. (1999)).可以说，聚类分析不论在理论上，还是在应用上正在蓬勃发展，有贡。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。