SAS中的聚类分析方法总结

说起聚类分析，相信很多人并不陌生。这篇原创博客我想简单说一下我所理解的聚类分析，欢迎各位高手不吝赐教和拍砖。

按照正常的思路，我大概会说如下几个问题：

1. 什么是聚类分析？

2. 聚类分析有什么用？

3. 聚类分析怎么做？

下面我将分聚类分析概述、聚类分析算法及sas实现、案例三部分来系统的回答这些问题。

聚类分析概述

1. 聚类分析的定义

中国有句俗语叫“物以类聚，人以群分”——剔除这句话的贬义色彩。说白了就是物品根据物品的特征和功用可以分门别类，人和人会根据性格、偏好甚至利益结成不同的群体。分门别类和结成群体之后，同类（同群）之间的物品（人）的特征尽可能相似，不同类（同群）之间的物品（人）的特征尽可能不同。这个过程实际上就是聚类分析。从这个过程我们可以知道如下几点：

1) 聚类分析的对象是物（人），说的理论一点就是样本

2) 聚类分析是根据物或者人的特征来进行聚集的，这里的特征说的理论一点就是变量。当然特征选的不一样，聚类的结果也会不一样；

3) 聚类分析中评判相似的标准非常关键。说的理论一点也就是相似性的度量非常关键；

4) 聚类分析结果的好坏没有统一的评判标准；

2. 聚类分析到底有什么用？

1) 说的官腔一点就是为了更好的认识事物和事情，比如我们可以把人按照地域划分为南方人和北方人，你会发现这种分法有时候也蛮有道理。一般来说南方人习惯吃米饭，北方习惯吃面食；

2) 说的实用一点，可以有效对用户进行细分，提供有针对性的产品和服务。比如银行会将用户分成金卡用户、银卡用户和普通卡用户。这种分法一方面能很好的节约银行的资源，另外一方面也能很好针对不同的用户实习分级服务，提高彼此的满意度。

再比如移动会开发全球通、神州行和动感地带三个套餐或者品牌，实际就是根据移动用户的行为习惯做了很好的用户细分——聚类分析；

3) 上升到理论层面，聚类分析是用户细分里面最为重要的工具，而用户细分则是整个精准营销里面的基础。精准营销是目前普遍接纳而且被采用的一种营销手段和方式。

3. 聚类分析的流程是怎样的？

比较简单的聚类分析往往只根据一个维度来进行，比如讲用户按照付费情况分成高端用户、中端用户和低端用户。这个只需要根据商业目的统计一下相关数据指定一个高端、中端和低端的分界点标准就可以。

如果是比较复杂的聚类分析，比如移动里面经常会基于用户的多种行为（通话、短信、gprs流失扥等）来对用户进行细分，这个就是比较复杂的用户细分。如果是这样的细分通常会作为一个比较标准的数据挖掘项目来执行，所以基本上会按照数据挖掘的流程来执行。具体分如下几步：

1) 业务理解

主要是了解业务目标和数据挖掘的目标及执行计划

2) 数据理解

主要是弄清楚可已取哪些变量数据，具体怎么定义

3) 数据整理

根据之前的定义提取需要的数据，并进行检测异常数据，并对变量进行挑选及探索，比如最终要用那些变量来执行聚类算法、那些变量是离散变量，需要做特殊处理、

数据大概可以聚成几类、类别形状有不规则的情形吗？

4) 建立模型

关键是选用什么样的距离(相似性度量)和算法：

l 比如是样本比较小，形状也比较规则，可以选用层次聚类

l 比如样本比较大，形状规则，各类的样本量基本相当，可以选用k-means算法

l 比如形状规则，但是各类别之间的样本点的密度差异很大，可以选用基于密度的算法

5) 模型评估

主要是评估聚类分析结果的好坏。实际上聚类分析在机器学习里面被称之为无监督学习，是没有大家公认的评估方法的。所以更多会从业务可解释性的角度去评估

聚类分析的好坏；

6) 模型发布

主要是根据聚类分析的结果根据不同的类的特诊去设计不同的产品、服务或者渠道策略，然后去实施营销

4. 具体在sas里面如何执行？

通过前面的讲解我们已经知道，聚类分析涉及到如下6步，对应着6步SAS都会有相应的过程来执行。

1) 距离的计算：proc distance

2) 数据标准化：proc stdize

3) 聚类变量的选择：proc varclus

4) 初始类别数的选择：proc mds和proc princomp

5) 不规则形状的变换：proc aceclus

6) 算法的选择：层次聚类-proc cluster 划分型聚类-proc fastclus（k-means）和

密度型聚类-proc modeclus

7) 类别特征描述：proc means

以上四个部分就从是什么、为什么、怎么样三个角度对聚类分析做了简单的介绍。接下来的帖子我会重点介绍SAS中各种聚类算法的差异、应用范围及实际的案例。

转载请注明：数据分析 » SAS中的聚类分析方法总结_sas聚类分析_sas培训