共计 2714 个字符，预计需要花费 7 分钟才能阅读完成。
全文链接：http://tecdat.cn/?p=31887
最近咱们被客户要求撰写对于聚类的钻研报告，包含一些图形和统计输入。
本文通过 SQL Server Analysis Services 数据挖掘的剖析模块，帮忙客户对一个职业、地区、餐饮消费水平的数据挖掘，并用可视化剖析图表显示数据
该后果可为餐饮业的管理者提供决策依据，进而使餐饮企业取得更多利润。同时，挖掘出与该职业绝对应的地区及消费水平，能够为职业倒退布局、餐饮市场的开辟提供无效根据。
筹备工作：数据.xls 数据导入数据库中。
将表格命名
在相应数据库中找到对应的数据
商业智能我的项目
抉择商业智能我的项目，analysis services 我的项目，并抉择指标文件夹
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
在解决方案资源管理器中，右键单击开掘构造，抉择新建开掘构造
设置输出数据与键 Id
设置训练集和测试集的百分比
点击部署模型
看到右下角 部署实现
查看后果
从聚类后果能够看到，聚类将所有用户分成了 2 个聚类后果。
从不同类别的依赖图能够看到，类别 10、4、8、6、7、5 之间具备较强的相干关系。阐明这几个类别中的变量特色是相似的。上面能够具体看下每个类别中的各个属性的散布的比例。
点击题目查阅往期内容
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、奢侈贝叶斯和 KMEANS 聚类用户画像
左右滑动查看更多
01
02
03
04
另外一个聚类中，1、2、9 为一个聚类簇，阐明这几类别中的变量特色相似。
同时能够看到每个变量再每个类别中的散布状况
能够看到消费水平很低的样本次要散布在分类 10 中
从上图能够看到 餐饮消费水平较高的类别是 1，2,9 类别中。
上面能够看到各个分类的剖面图
能够看到每个分类中各个 level 所占的比例。中餐次要散布在分类 1、2 中。拍档次要散布在分类 6、10 中。
年龄的散布也非常明显。大多数散布在 26 岁左右，分类 10 的样本年龄最大。同时能够看到分类 1 和 9 的支出最高，同时他们常去的餐厅类型为中餐。同时能够看到所在城市在分类 3 中次要是通辽和根河市。他们次要去的餐厅类型是西餐和排档。在分类 9 中，能够看到医生职业的样本次要去的也是西餐类型。分类 1 中能够看到，去中餐的样本次要是少了的医生。
而后能够看到总体的分类特色。最常去的餐厅类型为西餐，其次是中餐。年收入最多的区间是 51900 到 67000 之间。餐饮生产在 10 元到 18 元之间。样本的次要年龄段在 20 岁到 25 岁。所在城市次要为根河市，其次是乌兰浩特。样本的职业中，最多的是客服专员。
从每个类别的偏向水平来看，分类 1 中，次要的样本区的是中餐餐厅。每次的生产在 20 到 30 元之间。年收入在 8 万到 12 万之间，阐明这些样本的支出较高。其中，行政主管所占的百分比较高。有大量的创意总监。
从每个类别的偏向水平来看，分类 1 中，次要的样本区的是中餐餐厅。他们所在的城市次要在鄂尔多斯。
从每个类别的偏向水平来看，分类 3 中，次要的样本支出在 3 万 3 到 3 万 6 之间。他们的职业次要是文案策动，常去的餐厅为非中餐餐厅。
从每个类别的偏向水平来看，分类 4 中，次要的样本区的是西餐餐厅。次要的职业为市场总监。
从每个类别的偏向水平来看，分类 5 中，次要的样本区的是西餐餐厅。次要的职业为电工和电话销售以及老师。
从每个类别的偏向水平来看，分类 6 中，次要的样本去的是排挡餐厅。次要的职业为学生和服务员及会计师。该群体大部分支出较低或者没有支出。因而每次的餐厅生产也较低。
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《SQL Server Analysis Services 数据挖掘聚类分析职业、地区、餐饮消费水平数据》。
点击题目查阅往期内容
Python 对商店数据进行 lstm 和 xgboost 销售量工夫序列建模预测剖析
PYTHON 集成机器学习：用 ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜寻超参数优化
R 语言集成模型：晋升树 boosting、随机森林、束缚最小二乘法加权均匀模型交融剖析工夫序列数据
Python 对商店数据进行 lstm 和 xgboost 销售量工夫序列建模预测剖析
R 语言用主成分 PCA、逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化
R 语言基于树的办法：决策树，随机森林，Bagging，加强树
R 语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
spss modeler 用决策树神经网络预测 ST 的股票
R 语言中应用线性模型、回归决策树主动组合特色因子程度
R 语言中自编基尼系数的 CART 回归决策树的实现
R 语言用 rle，svm 和 rpart 决策树进行工夫序列预测
python 在 Scikit-learn 中用决策树和随机森林预测 NBA 获胜者
python 中应用 scikit-learn 和 pandas 决策树进行 iris 鸢尾花数据分类建模和穿插验证
R 语言里的非线性模型：多项式回归、部分样条、平滑样条、狭义相加模型 GAM 剖析
R 语言用规范最小二乘 OLS，狭义相加模型 GAM，样条函数进行逻辑回归 LOGISTIC 分类
R 语言 ISLR 工资数据进行多项式回归和样条回归剖析
R 语言中的多项式回归、部分回归、核平滑和平滑样条回归模型
R 语言用泊松 Poisson 回归、GAM 样条曲线模型预测骑自行车者的数量
R 语言分位数回归、GAM 样条曲线、指数平滑和 SARIMA 对电力负荷工夫序列预测 R 语言样条曲线、决策树、Adaboost、梯度晋升 (GBM) 算法进行回归、分类和动静可视化
如何用 R 语言在机器学习中建设集成模型？
R 语言 ARMA-EGARCH 模型、集成预测算法对 SPX 理论稳定率进行预测在 python 深度学习 Keras 中计算神经网络集成模型 R 语言 ARIMA 集成模型预测工夫序列剖析 R 语言基于 Bagging 分类的逻辑回归 (Logistic Regression)、决策树、森林剖析心脏病患者
R 语言基于树的办法：决策树，随机森林，Bagging，加强树
R 语言基于 Bootstrap 的线性回归预测置信区间预计办法
R 语言应用 bootstrap 和增量法计算狭义线性模型（GLM）预测置信区间
R 语言样条曲线、决策树、Adaboost、梯度晋升(GBM) 算法进行回归、分类和动静可视化
Python 对商店数据进行 lstm 和 xgboost 销售量工夫序列建模预测剖析
R 语言随机森林 RandomForest、逻辑回归 Logisitc 预测心脏病数据和可视化剖析
R 语言用主成分 PCA、逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化
Matlab 建设 SVM，KNN 和奢侈贝叶斯模型分类绘制 ROC 曲线
matlab 应用分位数随机森林（QRF）回归树检测异样值
