数据挖掘测试实例
用户收视习惯聚类分析
用户收视习惯在不同的小时段，不同的星期，会呈现不一样的特色，我们现在要做的就是将用户IPTV数据按照每小时收视时长进行聚类分析
2013年6月6日（星期四，非假日）南京地区当天观看过IPTV的用户
用户数：269745 人
1.创建临时表
select s_userid,s_hour,s_timeleninto tmp_user_hour_len from tst_fct_d20130606_4 where s_city_id=1
2、生成目标表
select s_userid,
(case when s_hour=‘00‘ then s_timelen else 0 end)as hour00 ,
(case when s_hour=‘01‘ then s_timelen else 0 end)as hour01 ,
(case when s_hour=‘02‘ then s_timelen else 0 end)as hour02 ,
(case when s_hour=‘03‘ then s_timelen else 0 end)as hour03 ,
(case when s_hour=‘04‘ then s_timelen else 0 end)as hour04 ,
(case when s_hour=‘05‘ then s_timelen else 0 end)as hour05 ,
(case when s_hour=‘06‘ then s_timelen else 0 end)as hour06 ,
(case when s_hour=‘07‘ then s_timelen else 0 end)as hour07 ,
(case when s_hour=‘08‘ then s_timelen else 0 end)as hour08 ,
(case when s_hour=‘09‘ then s_timelen else 0 end)as hour09 ,
(case when s_hour=‘10‘ then s_timelen else 0 end)as hour10 ,
(case when s_hour=‘11‘ then s_timelen else 0 end) ashour11 ,
(case when s_hour=‘12‘ then s_timelen else 0 end)as hour12 ,
(case when s_hour=‘13‘ then s_timelen else 0 end)as hour13 ,
(case when s_hour=‘14‘ then s_timelen else 0 end)as hour14 ,
(case when s_hour=‘15‘ then s_timelen else 0 end)as hour15 ,
(case when s_hour=‘16‘ then s_timelen else 0 end)as hour16 ,
(case when s_hour=‘17‘ then s_timelen else 0 end)as hour17 ,
(case when s_hour=‘18‘ then s_timelen else 0 end)as hour18 ,
(case when s_hour=‘19‘ then s_timelen else 0 end)as hour19 ,
(case when s_hour=‘20‘ then s_timelen else 0 end)as hour20 ,
(case when s_hour=‘21‘ then s_timelen else 0 end)as hour21 ,
(case when s_hour=‘22‘ then s_timelen else 0 end)as hour22 ,
(case when s_hour=‘23‘ then s_timelen else 0 end)as hour23 into user_hour_len_nj_20130606
from tmp_user_hour_len
3、在211服务器上导出文件到本地
bcp user_hour_len_nj_20130606 outuser_hour_len_nj_20130606.txt -UXXX -PXXX -SXXX -c -t ‘|‘ -r ‘\n‘
4、提取前200个实例进行测试
采用k均值算法进行聚类分析
属性集：
属性集包含24个时段的详细信息，格式如下(这里real也可以为numeric)：
@relation cluster
@attribute H00 real
@attribute H01 real
@attribute H02 real
@attribute H03 real
@attribute H04 real
@attribute H05 real
@attribute H06 real
@attribute H07 real
@attribute H08 real
@attribute H09 real
@attribute H10 real
@attribute H11 real
@attribute H12 real
@attribute H13 real
@attribute H14 real
@attribute H15 real
@attribute H16 real
@attribute H17 real
@attribute H18 real
@attribute H19 real
@attribute H20 real
@attribute H21 real
@attribute H22 real
@attribute H23 real
数据集：
数据集包含每个用户的订购信息，格式如下：
@data
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,31,12,0
0,0,0,0,0,0,0,0,0,0,0,0,26,59,16,0,0,0,50,55,56,58,59,10
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,34,59,59,18,0
57,35,0,0,0,0,20,0,0,0,0,0,0,0,15,59,59,59,59,59,59,58,54,35
.....
打开weka explorer，open file打开特征文件(如example_cluster_ID_H24_200.arff)，然后选择cluster，选择算法SimpleKmeans，选择距离方法Euclidean distance (orsimilarity) function.迭代次数maxIterations=500,类数目numcluster=5（或3,4都可以），seed=10,start
numcluster=5时，得出如下结果
1）
这里代表所聚的各个类中的样本条数、数量占整个样本集的百分比。
2）
Number of iterations: 7
Within cluster sum of squared errors:228.6644541918032
Within cluster sum of squared errors，代表簇内距离，这个值越小，聚类效果越好（当然聚类数越多这个值越小）。在不改变聚类数量的前提下，调整seed值可以改变上面squared errors值的大小，使得簇内距离越小，聚类效果越好。
参数说明：
参数选择窗口如下：
参数说明：
displayStdDevs是否显示数字属性标准差和名词属性个数
distanceFunction 用于比较实例的距离函数，包括马氏距离、欧氏距 离、明氏距离等（默认:weka.core.EuclideanDistance）。
dontReplaceMissingValues 是否不使用mean/mode替换全部丢失的值。
maxIterations 最大迭代次数
numClusters 所聚的类数
preserveInstancesOrder 是否预先排列实例的顺序
seed 设定的随机种子值
QuestionS：
1、如何找出哪个ID聚到了哪一类中；
A: 针对训练样本，在聚类结果右击点击“Visualizecluster assignments”，在弹出的窗口中点击save，则可保存一个arff文件，在这个文件中每个样本最后一个属性值即(“@attributeCluster”)给出了详细划入的簇类别；
另外，第一个数值为训练样本的标号。
以文件的部分数据为例(save_file_ID2Class.arff)，如下：
----------------------------------------------------------------------------------------------------------------
@attributeH22 numeric
@attributeH23 numeric
@attributeCluster {cluster0,cluster1,cluster2,cluster3}
@data
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,31,12,0,cluster1
1,0,0,0,0,0,0,0,0,0,0,0,0,26,59,16,0,0,0,50,55,56,58,59,10,cluster2
2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,34,59,59,18,0,cluster2
3,57,35,0,0,0,0,20,0,0,0,0,0,0,0,15,59,59,59,59,59,59,58,54,35,cluster3
----------------------------------------------------------------------------------------------------------------
本文出自 “用户流失统计” 博客，谢绝转载！
原文地址：http://9309062.blog.51cto.com/9299062/1652804
