建站
咨詢
售后
建站咨詢
新聞中心
UCI數(shù)據(jù)集探秘：電信數(shù)據(jù)庫(kù)詳解
概述
UCI數(shù)據(jù)集是機(jī)器學(xué)習(xí)領(lǐng)域更具權(quán)威性的數(shù)據(jù)集之一，包含許多來(lái)自各種學(xué)科領(lǐng)域的數(shù)據(jù)集。本文要介紹的是其中一個(gè)廣受歡迎的數(shù)據(jù)集——電信數(shù)據(jù)庫(kù)（Telecom Database）。該數(shù)據(jù)集是一個(gè)關(guān)于電信公司客戶的數(shù)據(jù)集，其中包含了來(lái)自電信公司的所有客戶信息以及他們的通話記錄。本數(shù)據(jù)集常常用于分類、聚類等數(shù)據(jù)挖掘領(lǐng)域的研究。
相關(guān)數(shù)據(jù)
本數(shù)據(jù)庫(kù)包含3333個(gè)樣本，其中包含的特征有17個(gè)。其中15個(gè)特征為客戶相關(guān)數(shù)據(jù)，另外2個(gè)特征為通話記錄信息。下面是對(duì)這17個(gè)特征的詳細(xì)解釋：
1. State（客戶所在州）：該特征表示電信公司客戶所在的州。
2. Account Length（客戶賬戶時(shí)長(zhǎng)）：該特征表示該客戶的在該電信公司的賬戶注冊(cè)時(shí)長(zhǎng)，單位為日。
3. Area Code（地區(qū)編碼）：該特征表示電信公司在不同地區(qū)的編碼。
4. Phone（號(hào)碼）：該特征表示客戶的號(hào)碼。
5. Intl Plan（國(guó)際漫游套餐）：該特征表示客戶是否開(kāi)通了國(guó)際漫游套餐。
6. VMl Plan（語(yǔ)音郵件套餐）：該特征表示客戶是否開(kāi)通了語(yǔ)音郵件套餐。
7. VMl Message（語(yǔ)音郵件數(shù)量）：該特征表示客戶在上一個(gè)月內(nèi)收到的語(yǔ)音郵件數(shù)量。
8. Day Mins（白天通話時(shí)長(zhǎng)）：該特征表示客戶在白天的通話時(shí)長(zhǎng)（單位為分鐘）。
9. Day Calls（白天通話次數(shù)）：該特征表示客戶在白天的通話次數(shù)。
10. Day Charge（白天通話費(fèi)用）：該特征表示客戶在白天的通話費(fèi)用。
11. Eve Mins（晚上通話時(shí)長(zhǎng)）：該特征表示客戶在晚上的通話時(shí)長(zhǎng)（單位為分鐘）。
12. Eve Calls（晚上通話次數(shù)）：該特征表示客戶在晚上的通話次數(shù)。
13. Eve Charge（晚上通話費(fèi)用）：該特征表示客戶在晚上的通話費(fèi)用。
14. Night Mins（夜間通話時(shí)長(zhǎng)）：該特征表示客戶在夜間的通話時(shí)長(zhǎng)（單位為分鐘）。
15. Night Calls（夜間通話次數(shù)）：該特征表示客戶在夜間的通話次數(shù)。
16. Night Charge（夜間通話費(fèi)用）：該特征表示客戶在夜間的通話費(fèi)用。
17. International Mins（國(guó)際通話時(shí)長(zhǎng)）：該特征表示客戶在國(guó)際通話的時(shí)長(zhǎng)（單位為分鐘）。
這些特征對(duì)數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法的運(yùn)用來(lái)說(shuō)都非常合適，具有很高的設(shè)計(jì)性和可解釋性。
數(shù)據(jù)清洗和預(yù)處理
在進(jìn)行數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法之前，需要對(duì)數(shù)據(jù)進(jìn)行清洗和預(yù)處理。數(shù)據(jù)清洗旨在去除數(shù)據(jù)集中的異常值和無(wú)效值，比如空值、缺失值等。而數(shù)據(jù)預(yù)處理則涉及到對(duì)數(shù)據(jù)集的特征進(jìn)行轉(zhuǎn)換、歸一化處理等操作，以便更好地將數(shù)據(jù)集用于機(jī)器學(xué)習(xí)算法中。
在電信數(shù)據(jù)庫(kù)數(shù)據(jù)集中，通常會(huì)進(jìn)行以下處理：
1. 刪除異常值：在進(jìn)行數(shù)據(jù)清洗操作時(shí)，需要?jiǎng)h去所有具有缺失值或無(wú)實(shí)際意義的數(shù)據(jù)。
2. 特征選擇：對(duì)于電信數(shù)據(jù)庫(kù)，可以采用特征選擇的方法，去掉那些對(duì)于分類或聚類結(jié)果沒(méi)有幫助的特征。
3. 特征變換：特征變換是一種將原始特征變換為另外一種形式的方法，以便于算法更好地理解和處理這些特征。
4. 歸一化：當(dāng)數(shù)據(jù)集包含多個(gè)特征，并且它們具有不同的尺度時(shí)，需要對(duì)數(shù)據(jù)進(jìn)行重新縮放，以確保它們具有相同的范圍。
算法應(yīng)用1：分類問(wèn)題
在電信數(shù)據(jù)庫(kù)中，常常需要將客戶分類為不同的類別，以便了解他們的行為和使用偏好，或者可以用于推薦類別或者定位特定類別客戶。這時(shí)，機(jī)器學(xué)習(xí)算法中的分類算法就派上用場(chǎng)了。常見(jiàn)的分類算法包括邏輯回歸、支持向量機(jī)（SVM）、決策樹(shù)等等。
對(duì)于電信數(shù)據(jù)集，分類問(wèn)題的目標(biāo)一般是將客戶分為“流失客戶”和“保留客戶”兩個(gè)類別。根據(jù)流失客戶的特征，可以建立分類模型，例如決策樹(shù)模型。這個(gè)模型將考慮所有客戶的特征，然后將客戶分為兩類。分類模型的輸出將是一個(gè)流失概率，以此為基礎(chǔ)，電信公司可以采取相應(yīng)的策略來(lái)挽留客戶。
算法應(yīng)用2：聚類問(wèn)題
另一種常見(jiàn)的問(wèn)題是聚類問(wèn)題。這種類型的問(wèn)題通常是在大型數(shù)據(jù)集中尋找其內(nèi)部的特定模式。在電信數(shù)據(jù)庫(kù)中，聚類可以用于尋找不同種類的客戶，以便更好地理解他們的需求和使用習(xí)慣。例如，將客戶按使用量分為“高消費(fèi)者”、“中等消費(fèi)者”和“低消費(fèi)者”，或者將他們按使用時(shí)間分為“白天話費(fèi)型客戶”和“夜間話費(fèi)型客戶”。
對(duì)于電信數(shù)據(jù)庫(kù)，可以使用聚類算法如K-Means算法、層次聚類算法和DBSCAN算法來(lái)試圖發(fā)現(xiàn)數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，并進(jìn)一步發(fā)現(xiàn)不同類別的結(jié)構(gòu)。
電信數(shù)據(jù)庫(kù)是UCI數(shù)據(jù)集中的一種數(shù)據(jù)集，通常被用于分類和聚類等機(jī)器學(xué)習(xí)算法的研究。該數(shù)據(jù)集包含很多有用的特征，涉及到了客戶的各種聯(lián)系方式、地理信息以及通話記錄等等。通過(guò)對(duì)電信數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)清洗和預(yù)處理，可以使得機(jī)器學(xué)習(xí)算法得到更加準(zhǔn)確的結(jié)果。在分類問(wèn)題和聚類問(wèn)題上，可以嘗試使用不同的算法來(lái)解決不同的問(wèn)題。
成都網(wǎng)站建設(shè)公司-創(chuàng)新互聯(lián),建站經(jīng)驗(yàn)豐富以策略為先導(dǎo)10多年以來(lái)專注數(shù)字化網(wǎng)站建設(shè),提供企業(yè)網(wǎng)站建設(shè),高端網(wǎng)站設(shè)計(jì),響應(yīng)式網(wǎng)站制作,設(shè)計(jì)師量身打造品牌風(fēng)格,熱線:028-86922220數(shù)據(jù)挖掘中 聚類算法 數(shù)據(jù)集在什么地方獲取的?
之察帶前寫敗廳蘆論文要用到大量的數(shù)據(jù)，在數(shù)據(jù)淘（datataotao) 下載了一個(gè)關(guān)系的數(shù)據(jù)伏頌 ，
我發(fā)現(xiàn) 數(shù)據(jù)淘上還是有很多真實(shí)的數(shù)據(jù)集的，可以看看
可以使用UCI上的標(biāo)準(zhǔn)數(shù)據(jù)陵液集
，kdd上的也行搜行
其次是你看文顯時(shí)尺漏物文中提到的可以獲得的數(shù)據(jù)及集
數(shù)據(jù)挖掘論文中的實(shí)驗(yàn)部分都有寫數(shù)據(jù)來(lái)源，找找相關(guān)論文就可以了。
cnki
幾種主要類聚方法的比較和試驗(yàn)
引言 聚類分析是人類的區(qū)分標(biāo)志之一，從孩提時(shí)代開(kāi)始，一個(gè)人就下意識(shí)地學(xué)會(huì)區(qū)分動(dòng)植物，并且不斷改進(jìn)。這一原理在如今不少領(lǐng)域得到了相應(yīng)的研究和應(yīng)用，比如模式識(shí)別、數(shù)據(jù)分析、圖像處理、Web文檔分類等。 將物理或抽象對(duì)象的分成由類似的對(duì)象組成的多個(gè)類的過(guò)程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對(duì)象的，這些對(duì)象與同一個(gè)簇中的對(duì)象彼此相似，與其他簇中的對(duì)象相異。“物以類聚，人以群分”，在自然科學(xué)和社會(huì)科學(xué)中，存在著大量的分類問(wèn)題。 聚類技術(shù)正在蓬勃發(fā)展，對(duì)此有貢獻(xiàn)的研究領(lǐng)域包括數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、空間數(shù)據(jù)庫(kù)技術(shù)、生物學(xué)以及市場(chǎng)營(yíng)銷等。各種聚類方法也被不斷提出和改進(jìn)，而不同的方法適合于不同類型的數(shù)據(jù)，因此對(duì)各種聚類方法、聚類效果的比較成為值得研究的課題。 1 聚類算法的分類 現(xiàn)在有很多的聚類算法，而在實(shí)際應(yīng)用中，正確選擇聚類算法的則取決于數(shù)據(jù)的類型、聚類的目的等因素。如果聚類分析被用作描述或探查的工具，可以對(duì)同樣的數(shù)據(jù)嘗試多種算法，以發(fā)現(xiàn)數(shù)據(jù)可能揭示的結(jié)果。 已知的聚類算法可以大致劃分為以下幾類：劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。 每一個(gè)類型的算法都被廣泛地應(yīng)用著，例如：劃分方法中的k-means聚類算法、層次方法中的凝聚型層次聚類算法、基于模型方法中的神經(jīng)網(wǎng)絡(luò)聚類算法等。 聚類問(wèn)題的研究早已不再局限于上述的硬聚類，即每一個(gè)數(shù)據(jù)只能被歸為一類，模糊聚類也是聚類分析中研究較為廣泛的一個(gè)“流派”。模糊聚類通過(guò)隸屬函數(shù)來(lái)確定每個(gè)數(shù)據(jù)隸屬于各個(gè)簇的程度，而不是將一個(gè)數(shù)據(jù)對(duì)象硬性地歸類到某一簇中。目前已有很多關(guān)于模糊聚類的算法被提出，如FCM算法。 本文主要分析和比較k-means聚類算法、凝聚型層次聚類算法、神經(jīng)網(wǎng)絡(luò)聚類算法之SOM,以及模糊聚類的FCM算法。通過(guò)通用測(cè)試數(shù)據(jù)集進(jìn)行聚類效果的比較和分析。 2 四種常用聚類算法研究 2.1 k-means聚類算法 k-means是劃分方法中較經(jīng)典的聚類算法之一。該算法的效率高，使得在對(duì)大規(guī)模數(shù)據(jù)進(jìn)行聚類時(shí)廣泛應(yīng)用。目前，許多算法均圍繞著該算法進(jìn)行擴(kuò)展和改進(jìn)。 k-means算法以k為參數(shù)，把n個(gè)對(duì)象分成k個(gè)簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。k-means算法的處理過(guò)程如下：首先，隨機(jī)地選擇k個(gè)對(duì)象，每個(gè)對(duì)象初始地代表了一個(gè)簇的平均值或中心；對(duì)剩余的每個(gè)對(duì)象，根據(jù)其與各伏伍簇中缺?；蛐牡木嚯x，將它賦給最近的簇；然后重新計(jì)算每個(gè)簇的平均值。這個(gè)過(guò)程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂。通常，采用平方誤差準(zhǔn)則，其定義如下： 這里E是數(shù)據(jù)庫(kù)中所有對(duì)象的平方誤差的總和，p是空間中的點(diǎn)，mi是簇Ci的平均值。該目標(biāo)函數(shù)使生成的簇盡可能緊湊獨(dú)立，使用的距離度量是歐幾里得距離，當(dāng)然也可以用其他距離度量。k-means聚類算法的算法流程如下： 輸入：包含n個(gè)對(duì)象的數(shù)據(jù)庫(kù)和簇的數(shù)目k； 輸出：k個(gè)簇，使平方誤差準(zhǔn)則最小。 步驟： （1） 任意選擇k個(gè)對(duì)象作為初始的簇中心； （2） repeat； （3） 根據(jù)簇中對(duì)象的平均值，將每個(gè)對(duì)象（重新）賦予最類似的簇； （4） 更新簇的平均值，即計(jì)算每個(gè)簇中對(duì)象的平均值； （5） until不再發(fā)生變化。 2.2 層次聚類算法 根據(jù)層次分解的順序，層碼雀次聚類算法分為凝聚的層次聚類算法和分裂的層次聚類算法。 凝聚型層次聚類的策略是先將每個(gè)對(duì)象作為一個(gè)簇，然后合并這些原子簇為越來(lái)越大的簇，直到所有對(duì)象都在一個(gè)簇中，或者某個(gè)終結(jié)條件被滿足。絕大多數(shù)層次聚類屬于凝聚型層次聚類，它們只是在簇間相似度的定義上有所不同。四種廣泛采用的簇間距離度量方法如下： 這里給出采用最小距離的凝聚層次聚類算法流程： （1） 將每個(gè)對(duì)象看作一類，計(jì)算兩兩之間的最小距離； （2） 將距離最小的兩個(gè)類合并成一個(gè)新類； （3） 重新計(jì)算新類與所有類之間的距離； （4） 重復(fù)（2）、（3），直到所有類最后合并成一類。 2.3 SOM聚類算法 SOM神經(jīng)網(wǎng)絡(luò)是由芬蘭神經(jīng)網(wǎng)絡(luò)專家Kohonen教授提出的，該算法假設(shè)在輸入對(duì)象中存在一些拓?fù)浣Y(jié)構(gòu)或順序，可以實(shí)現(xiàn)從輸入空間（n維）到輸出平面（2維）的降維映射，其映射具有拓?fù)涮卣鞅３中再|(zhì)，與實(shí)際的大腦處理有很強(qiáng)的理論聯(lián)系。 SOM網(wǎng)絡(luò)包含輸入層和輸出層。輸入層對(duì)應(yīng)一個(gè)高維的輸入向量，輸出層由一系列組織在2維網(wǎng)格上的有序節(jié)點(diǎn)構(gòu)成，輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)通過(guò)權(quán)重向量連接。學(xué)習(xí)過(guò)程中，找到與之距離最短的輸出層單元，即獲勝單元，對(duì)其更新。同時(shí)，將鄰近區(qū)域的權(quán)值更新，使輸出節(jié)點(diǎn)保持輸入向量的拓?fù)涮卣鳌?算法流程： （1） 網(wǎng)絡(luò)初始化，對(duì)輸出層每個(gè)節(jié)點(diǎn)權(quán)重賦初值； （2） 將輸入樣本中隨機(jī)選取輸入向量，找到與輸入向量距離最小的權(quán)重向量； （3） 定義獲勝單元，在獲勝單元的鄰近區(qū)域調(diào)整權(quán)重使其向輸入向量靠攏； （4） 提供新樣本、進(jìn)行訓(xùn)練； （5） 收縮鄰域半徑、減小學(xué)習(xí)率、重復(fù)，直到小于允許值，輸出聚類結(jié)果。 2.4 FCM聚類算法 1965年美國(guó)加州大學(xué)柏克萊分校的扎德教授之一次提出了‘’的概念。經(jīng)過(guò)十多年的發(fā)展，模糊理論漸漸被應(yīng)用到各個(gè)實(shí)際應(yīng)用方面。為克服非此即彼的分類缺點(diǎn)，出現(xiàn)了以模糊論為數(shù)學(xué)基礎(chǔ)的聚類分析。用模糊數(shù)學(xué)的方法進(jìn)行聚類分析，就是模糊聚類分析。 FCM算法是一種以隸屬度來(lái)確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類程度的算法。該聚類算法是傳統(tǒng)硬聚類算法的一種改進(jìn)。 算法流程： （1） 標(biāo)準(zhǔn)化數(shù)據(jù)矩陣； （2） 建立模糊相似矩陣，初始化隸屬矩陣； （3） 算法開(kāi)始迭代，直到目標(biāo)函數(shù)收斂到極小值； （4） 根據(jù)迭代結(jié)果，由最后的隸屬矩陣確定數(shù)據(jù)所屬的類，顯示最后的聚類結(jié)果。 3 試驗(yàn) 3.1 試驗(yàn)數(shù)據(jù) 實(shí)驗(yàn)中，選取專門用于測(cè)試分類、聚類算法的國(guó)際通用的UCI數(shù)據(jù)庫(kù)中的IRIS數(shù)據(jù)集，IRIS數(shù)據(jù)集包含150個(gè)樣本數(shù)據(jù)，分別取自三種不同的鶯尾屬植物setosa、versicolor和virginica的花朵樣本，每個(gè)數(shù)據(jù)含有4個(gè)屬性，即萼片長(zhǎng)度、萼片寬度、花瓣長(zhǎng)度，單位為cm。在數(shù)據(jù)集上執(zhí)行不同的聚類算法，可以得到不同精度的聚類結(jié)果。 3.2 試驗(yàn)結(jié)果說(shuō)明 文中基于前面所述各算法原理及算法流程，用matlab進(jìn)行編程運(yùn)算，得到表1所示聚類結(jié)果。 如表1所示，對(duì)于四種聚類算法，按三方面進(jìn)行比較： （1）聚錯(cuò)樣本數(shù)：總的聚錯(cuò)的樣本數(shù)，即各類中聚錯(cuò)的樣本數(shù)的和； （2）運(yùn)行時(shí)間：即聚類整個(gè)過(guò)程所耗費(fèi)的時(shí)間，單位為s； （3）平均準(zhǔn)確度：設(shè)原數(shù)據(jù)集有k個(gè)類，用ci表示第i類，ni為ci中樣本的個(gè)數(shù)，mi為聚類正確的個(gè)數(shù)，則mi/ni為第i類中的精度，則平均精度為： 3.3 試驗(yàn)結(jié)果分析 四種聚類算法中，在運(yùn)行時(shí)間及準(zhǔn)確度方面綜合考慮，k-means和FCM相對(duì)優(yōu)于其他。但是，各個(gè)算法還是存在固定缺點(diǎn)：k-means聚類算法的初始點(diǎn)選擇不穩(wěn)定，是隨機(jī)選取的，這就引起聚類結(jié)果的不穩(wěn)定，本實(shí)驗(yàn)中雖是經(jīng)過(guò)多次實(shí)驗(yàn)取的平均值，但是具體初始點(diǎn)的選擇方法還需進(jìn)一步研究；層次聚類雖然不需要確定分類數(shù)，但是一旦一個(gè)分裂或者合并被執(zhí)行，就不能修正，聚類質(zhì)量受限制；FCM對(duì)初始聚類中心敏感，需要人為確定聚類數(shù)，容易陷入局部更優(yōu)解；SOM與實(shí)際大腦處理有很強(qiáng)的理論聯(lián)系。但是處理時(shí)間較長(zhǎng)，需要進(jìn)一步研究使其適應(yīng)大型數(shù)據(jù)庫(kù)。 4 結(jié)語(yǔ) 聚類分析因其在許多領(lǐng)域的成功應(yīng)用而展現(xiàn)出誘人的應(yīng)用前景，除經(jīng)典聚類算法外，各種新的聚類方法正被不斷被提出。
該文章僅供學(xué)習(xí)參考使用，版權(quán)歸作者所有。
關(guān)于uci數(shù)據(jù)集電信數(shù)據(jù)庫(kù)的介紹到此就結(jié)束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關(guān)注本站。
創(chuàng)新互聯(lián)【028-86922220】值得信賴的成都網(wǎng)站建設(shè)公司。多年持續(xù)為眾多企業(yè)提供成都網(wǎng)站建設(shè),成都品牌建站設(shè)計(jì),成都高端網(wǎng)站制作開(kāi)發(fā),SEO優(yōu)化排名推廣服務(wù),全網(wǎng)營(yíng)銷讓企業(yè)網(wǎng)站產(chǎn)生價(jià)值。
本文名稱：uci數(shù)據(jù)集探秘：電信數(shù)據(jù)庫(kù)詳解(uci數(shù)據(jù)集電信數(shù)據(jù)庫(kù))
標(biāo)題來(lái)源：http://www.fisionsoft.com.cn/article/cojocdd.html
