K-means加权聚类融合模型在App市场细分中的应用

摘要

聚类分析作为数据分析和数据挖掘中的一种重要方法，已经被广泛应用于市场分析、金融分析、图像处理等行业。作为一种无监督的统计学习方法，聚类在对无序和无先验信息的对象处理中意义重大。特别是在大数据时代，数据有着数据量大及价值密度低的特点，聚类分析就显得日益重要了。聚类分析发展比较迅速，算法比较丰富。聚类融合算法从A.L.Fred和A.Strel提出以来，由于其比一般的聚类方法有更好的特性，深受到人们的重视。在移动互联网的快速发展中，手机应用软件(App)变的数目众多，而质量却参差不齐。对App进行市场细分就显得日益迫切。
　　本文主要在K-means加权聚类和K-means加权聚类融合算法的基础上，结合实际数据的结构特点，根据聚类在不同阶段聚类对变量的敏感程度不同，建立了一种分阶段的 K-means加权聚类融合的方法。该模型在加权聚类的权值不能准确量化的情况下，模型聚类效果较好。然后选取2016年1月1日至2016年12月31日的App的数据，对数据进行清洗变换，形成能够代表App价值的截面数据。再根据App数据的特点，利用相关性分析，选择出表现App的接触能力变量平均规模、复合增长率等变量。最后使用传统的K-means、K-means加权聚类和聚类融合的方法以及改进的分阶段聚类方法对App数据进行模拟，对其分类结构进行评价，从而得出改进的模型分类效果较好。然后根据分类结果提取出六大类型特征。最后根据六种特征提出它们的应用场景和进一步研究的方向的建议。

目录

1 绪 论

1.1研究的背景和意义

1.2国内外研究现状综述

1.3 论文研究的内容、思路及基本结构

2 聚类分析的基本理论

2.1 聚类的定义

2.2 聚类算法的分类

2.3 几种比较经典的划分聚类算法

2.3聚类的评价标准

2.4 本章小结

3 改进的K-means加权聚类融合算法

3.1 基于分阶段聚类的变量选择和分段阶数的确定

3.2改进的模型算法

3.3 本章小结

4 聚类融合在App市场细分中的应用

4.1数据的提取和数据属性理解

4.2 数据的清洗和规约

4.3 建模分析

4.4 模型评价

4.5 App价值分析和政策建议

4.6 本章小结

5 结论与展望

5.1 结论

5.2 展望

致谢

参考文献