机器学习之聚类分析,如何分析用户，聚类分析原理。这个问题金纳莱为您提供更多相关信息让你了解。

机器学习问题有两类聚类分析原理：监督学习和无监督学习。聚类分析属于无监督机器学习中的一种算法。

在做用户分析的时候，聚类分析主要用于用户分类，下面通过一个案例说明。

案例背景在用户运营过程中，通常需要根据用户的属性对用户进行归类，以便于在转化过程中获得更大的收益。用户有很多属性，究竟选择哪些属性进行分析呢？

基本理论1、第一个基本理论：RFM模型

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了客户分类最好的指标：

R-最近一次消费距当前的时长(Recency)

F-消费频率(Frequency)

M-消费金额(Monetary)

举个例子：

客户A，R：180天，F：1次/月，M：100元/月

客户B，R：3天，F：10次/月，M：1000元/月

可以得出结论：客户B的价值高于客户A。这个理论被称为RFM模型。

2、第二个基本理论：聚类分析

实际问题中，可不止两个客户，通常会有很多用户，所以需要根据R、F、M指标对用户进行分类，然后再判断每个类别的客户价值，而对用户进行分类的常用方法就是聚类分析。

以上两个基本理论合起来称为RFM聚类分析。

提取数据例如，数据分析师从数据库中提取出以下用户相关数据。

用户ID、首次购买时间、最近一次购买时间、购买总金额、购买总次数。

属性构造根据RFM模型，我们需要R、F、M这三个指标，而拿到的数据没有，所以需要先根据原始数据构造这三个指标：

R：最近一次投资时间距现在的时长

F：月均购买次数

M：月均购买金额

说明：假设该产品的消费频率为月，所以这里统计以月为单位。聚类分析构造R、F、M这三个指标后，用工具（Python、R或者SPSS）进行K-Means聚类分析，将用户分成4个或8个类别。

说明：聚类分析主要用于这里！！！

给出结论计算每个类别的R、F、M指标的均值，根据这三个核心指标，标注每个类别的用户价值：高价值用户、重要挽留客户、重要保持客户、低价值客户等。

回答完毕！

以上就是金纳莱网»聚类分析原理，机器学习之聚类分析，如何分析用户的相关内容了，更多精彩请关注金纳莱号公众号。