全文链接：http://tecdat.cn/?p=30925
原文出处：拓端数据部落公众号
近年来商业银行利用先进数据挖掘技术对信用卡客户进行分类, 辨别不同的客户群体, 而后针对不同客户群体, 采取不同的发卡形式, 营销策略, 危险控制措施。这些行动都是非常有必要的, 也是对信用卡产品取得市场份额有微小帮忙作用的。
在信用卡剖析时，咱们向客户演示了用 SQL Server 的数据挖掘算法能够提供的内容。
查看数据
查看信用卡资料库：
变量信息：
导入数据库
数据导入数据库中。
数据挖掘
（1）关上 visual studio，新建我的项目，抉择商业智能我的项目，analysis services 我的项目
（2）在解决方案资源管理器中，右键单击数据源，抉择新建数据源
（3）数据源名称放弃默认，实现
抉择聚类，持续下一步
敞开解决窗口后，就可在开掘模型查看器看到零碎通过剖析得出的后果和文件：
从聚类后果能够看到，聚类将所有用户分成了 10 个信用级别。
从不同类别的依赖图能够看到，类别 10、7、9、5 之间具备较强的相干关系。阐明这几个类别中的信用级别是相似的。上面能够具体看下每个类别中的各个属性的散布的比例。
从上图能够看到不同类别的呆账比例是不同的。
从后果来看，相对来说，第 7、10 类别的呆账比例最小的，其余几个类别中呆账比例较高，因而能够认为这些类别中的用户的信用级别较高。同时能够看到这些类别的其余信息，这类用户的月开销较低，大多在 10000 元以下。同时能够看到，这类用户大多是都是都市用户，较少的城镇用户，阐明都市用户的信用等级绝对城镇用户的信用等级较高。另一方面，能够看到呆账用户中，有大部分是高支出人群，而低收入用户的呆账比例反而较低，能够认为低收入用户的信用等级反而较高。
从每个类别的偏向水平来看，月开销较低的用户呆账比例较低。从另一方面来看，月支出较低的用户，偏向于是分类 10 的用户，也就是它们的信用等级较好。同时能够看到，户籍为都市的用户偏向于分类 10 的用户，而户籍为城镇的用户偏向于其余分类。阐明都市用户的信用等级绝对较高。同时，能够看到与支出越高的用户，更偏向于非 10 类别，因而，能够认为，支出越高的用户，越存在信用风险。
最受欢迎的见解
1. R 语言 k -Shape 算法股票价格工夫序列聚类
2. R 语言基于温度对城市档次聚类、kmean 聚类、主成分剖析和 Voronoi 图
3. R 语言对用电负荷工夫序列数据进行 K -medoids 聚类建模和 GAM 回归
4. r 语言鸢尾花 iris 数据集的档次聚类
5.Python Monte Carlo K-Means 聚类实战
6. 用 R 进行网站评论文本开掘聚类
7. R 语言 KMEANS 均值聚类和档次聚类：亚洲国家地区生存幸福品质异同可视化 **
8.PYTHON 用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯模型和 KMEANS 聚类用户画像
9. R 语言基于 Keras 的小数据集深度学习图像分类