我有一个庞大的家庭和建筑销售数据库。零售。 而且我需要知道商店里的电工，水管工，画家等等。
我的第一种方法是选择与专业相关的文章（例如，电线[文章]与电工[专业]相关）然后，根据客户销售情况，了解客户是谁。
但这是很多工作。
我的第二种方法是首先进行群集分割，然后发现哪个群集属于专业。 （这样更好，因为我能够发现新的细分）
但是，我怎么能这样做？我应该占用什么类型的聚类？ Kmeans，模糊？我应该对该模型采取哪些变量？我应该使用PCA来了解要搜索的群集数量吗？
我的数据标题（简化）：
call_with任何帮助将不胜感激 （对不起，我的英文）
答案 0 :(得分：4)
您希望根据他们购买的商品识别客户类别（我认为这是出于营销原因）。这需要一种聚类方法。我会告诉你整个设置。
让我们首先考虑您究竟是什么聚类：订单或客户。在任何一种情况下，您对物品进行表征的方式以及它们之间的距离都是相同的。我将首先讨论订单的基本情况，然后解释适用于客户群集的注意事项。
为了您的目的，订单的特点是购买了哪些商品，可能还有多少商品。就空间而言，这意味着每种类型的文章（item_article_id）都有一个维度，例如＆＃34; wire＆＃34;尺寸。如果你关心的是文章是否被买，每个项目的每个维度的坐标为0或1。如果某些订单包含电线但不包括电线，那么它在电线上的值为1。 ＆＃34;管道上的尺寸和0＆＃34;尺寸。
然而，关于数量的关注还有待说明的事情。也许管道工购买大量胶水，而电工只购买少量胶水。在这种情况下，您可以将每个维度中的坐标设置为相应文章的数量（可能是item_qty）。所以假设你有三篇文章，电线，管道和胶水，那么矢量（2,3,0）描述的订单包括2线，3管和0胶，而订单由矢量（0,1,4）包括0线，1管和4胶。
如果给定商品的数量存在较大差异，即如果某些订单的某些商品的数量比其他订单多一个数量级，那么使用对数比例可能会有所帮助。假设您有以下四个订单：
前两个订单看起来可能属于电工，而后两个看起来他们属于水管工。但是，如果使用线性比例，订单3将更接近订单1和2而不是订单4.我们通过对编码这些订单的向量使用对数比例来修复它（我使用基数10对数在这里，但你选择哪个基因并不重要，因为它们只有一个常数因素而不同）：
现在订单3最接近订单4，正如我们所料。请注意，我使用-2作为特殊值来表示没有文章，因为0的对数没有定义（log(x)倾向于负无穷大，因为x倾向于0）。 -2意味着我们假装订单包括文章的1/100;你可以使特殊值或多或少地极端，这取决于你想要给文章没有包括多少重量。
您的聚类算法的输入（无论您采用哪种算法，请参见下文）将是一个位置矩阵，每个项目（订单或客户）有一行，每个维度（文章）一列，以及存在（0/1），每个单元格中金额的数量或对数，具体取决于您根据上述讨论选择的数量。如果您按客户进行集群，则可以在计算进入仓位矩阵的每个单元格的内容之前，将所有属于该客户的订单的金额相加（如果使用对数刻度，则将之前的金额相加取对数）。
按订单而非客户进行聚类可以为您提供更多细节，但也会产生更多噪音。客户可能在订单中保持一致，但在订单之间不一致;也许客户有时表现得像水管工，有时像电工。这是一种只有按订单集群才能找到的模式。然后，您将找到每个客户属于每个群集的频率;也许70％的某人订单属于电工类型，30％属于管道工类型。另一方面，水管工可能只按一个订单购买管道，然后只按下一个订单购买胶水。只有当您按客户群集并汇总订单金额时，您才能平衡地了解每个客户平均需求。
从此处开始，我将使用名称my.matrix来引用您的位置矩阵。
如果您希望能够发现新的客户类型，您可能希望尽可能让数据自己说话。一个很好的老式
在这种情况下，具有完全链接（CLINK）的分层聚类可能是合适的选择。在R中，你只需hclust(dist(my.matrix))（这将使用欧几里德距离测量，这在你的情况下可能已经足够了）。它将紧密连接相邻的项目或群集，直到所有项目都在分层树中进行分类。您可以将树的任何分支视为一个集群，观察该分支的典型文章数量，并确定该分支是单独表示客户细分，应该在子分支中拆分，还是与兄弟分支联合。优点是你找到了＃34;完整故事＆＃34;哪些项目和项目群组彼此最相似以及多少。缺点是算法的结果不会告诉您在客户群之间绘制边界的位置;您可以通过多种方式切割群集树，因此您可以根据自己的需要确定自己的客户类型。
另一方面，如果您愿意事先确定群集数量（ k ），那么k-means是一种非常强大的方法，可以在 k中获得客户的任何细分不同的类型。在R中，你会kmeans(my.matrix, k)。出于营销目的，拥有（比方说）您为其制作定制广告的5个不同客户资料可能就足够了，而不是将所有客户视为相同。使用k-means，您无法探索数据中存在的所有多样性，但无论如何您可能不需要这样做。
如果您不想事先确定群集的数量，但您也不想手动决定在之后绘制段之间的边界的位置，则还有第三种可能性。你从k-means算法开始，你可以让它产生一定数量的聚类中心，这个聚类中心远远大于你希望最终得到的聚类数量（例如，如果你希望最终得到大约10个聚类的聚类） ，让k-means算法寻找200个簇。然后，使用均值漂移算法进一步聚类生成的中心。最终会得到较少数量的紧凑集群。 James Li over here更详细地解释了这种方法。您可以使用ms包中的LPCM函数将R中的均值平移算法用于this documentation。
PCA不会告诉你需要多少个群集。 PCA回答了一个不同的问题：哪些变量似乎代表了一个共同的潜在（隐藏）因素。从某种意义上说，它是一种聚类变量（即实体属性）的方法，而不是对实体本身进行聚类。主成分的数量（共同的潜在因素）并不表示所需的集群数量。如果您想了解每篇文章关于客户兴趣的预测价值，PCA仍然会很有趣。