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