基于Weka平臺的會員制超市客戶分類分析

［摘 要］ 會員制超市的客戶數據直接反映了客戶的購買行為，對其研究可以了解客戶的特點和偏好。使用Weka系統，運用分類分析中的不同算法對會員制超市的客戶數據進行分析，得到了一些有益的分析結果，對會員制超市管理人員更好的了解用戶，并制定出有益于企業的決策有重要意義。

［關鍵詞］ Weka 客戶分類 決策樹 貝葉斯 支持向量機1

根據著名的二八法則，企業80%的利潤來源于20%的客戶，所以，對于企業而言，對客戶進行細分，并分析不同類別客戶的特點和偏好，以采取不同的管理措施是很重要的。數據挖掘技術可以幫助企業分析其海量的客戶數據，獲得有用的客戶信息。FoodMart是美國一家大型的連鎖會員制超市，以會員制作為基本的銷售和服務方式。本文采用理論與實踐相結合的研究方法，應用Weka中的分類技術，依據FoodMart會員制超市的客戶數據，挖掘數據庫中隱含的客戶分類信息。

一、Weka及相關算法簡介

Weka的全名是懷卡托智能分析環境，是一款免費的，非商業化的，基于JAVA環境下的，開源的數據挖掘軟件。Weka集合了大量的數據挖掘算法，可以實現數據預處理、屬性選擇、關聯分析、分類分析、回歸、聚類分析等功能，同時還提供了數據可視化功能。Weka系統得到了廣泛的認可，是現今最完備的數據挖掘工具之一。

決策樹算法通過應用簡單的決策規則，建立樹狀圖，可用于分類分析和預測。C4.5決策樹算法是數據挖掘領域的經典算法，它構造簡單，速度較快，產生的分類規則易于理解，準確率較高。Weka的J48決策樹模型是對Quinlan的C4.5決策樹算法的實現，并加入了比較好的剪枝過程，有非常好的精度。

隨機森林算法生成k個決策樹組成隨機森林，其輸出的類別是由k個決策樹輸出的類別的眾數而定。隨機森林算法可以評估變量的重要性，處理大量的輸入變量，準確率較高。Weka的隨機森林模型放在決策樹分類器之中。

貝葉斯分類器的分類原理是通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類作為該對象所屬的類。Weka的貝葉斯分類器有樸素貝葉斯和貝葉斯信念網絡等。

支持向量機屬于一般化線性分類器，能夠同時最小化經驗誤差與最大化幾何邊緣區。它將向量映射到一個更高維的空間里，在這個空間里尋找分類最佳的平面，即使得屬于兩個不同類的數據點間隔最大的那個面。支持向量機的SMO（序列最小優化）算法大大提高了支持向量機學習的效率，得到了廣泛的應用。

二、數據預處理

Customer表文件中共有12000余條記錄，我們從其中抽取2999條記錄用于挖掘客戶分類信息。表文件是mdb文件，Weka系統不支持，我們要進行文件格式的轉變，將mdb文件先轉換成csv格式，導入Weka系統中，然后再另存為weka的文件格式即arff格式。

在進行數據挖掘時，并不是所有的屬性都和挖掘任務相關，比如進行客戶分類分析時的客戶ID屬性。在進行數據挖掘之前，先把和挖掘任務不相關的屬性去除有助于提高數據挖掘的效率，節省挖掘的時間。選用Weka系統中的屬性選擇工具，搜索算法選擇Random Search方法，經屬性選擇后相關的屬性如表1所示。

此外，Weka系統中的部分分類分析算法要求屬性必須是nominal（名詞型）數據類型的，所以需要將部分numeric（數值型）的屬性進行離散化，然后轉換成nominal類型。

表1 客戶分析的屬性選擇

屬性意義

marital-status婚姻狀況

yearly-income年收入

num_children_at_home在家的子女數

education教育水平

occupution職業

num-cars-owned擁有汽車數

三、模型構建

分別使用Weka系統中的決策樹分類器、貝葉斯分類器、支持向量機分類器對客戶數據進行學習訓練，并采用10-fold交叉驗證測試算法的準確性。根據應用經驗，主要參數設置為：決策樹分類器中選擇J48算法（即C4.5算法）和隨機森林算法，J48算法的confidenceFactor =0.25，minNumOjb = 2 ，numFolds=3，Seed=1；隨機森林算法的numFeatures=0，numTrees=10，seed=1；貝葉斯分類器采用貝葉斯信念網絡算法，分析時的參數選用默認設置；支持向量機分類器采用SMO算法，選擇PolyKernel核函數。

表2 算法正確率比較

算法正確率

C4.5決策樹算法81.994%

隨機森林78.0927%

貝葉斯信念網絡81.0937%

SMO算法81.8273 %

表2是四種算法的模型訓練結果，由表2可以看出，C4.5決策樹算法、貝葉斯信念網絡和SMO算法的正確率較高，其中又以C4.5決策樹算法的正確率最高。和其他三種算法相比，隨機森林在正確率方面稍微遜色。這可能跟我們做了屬性刪除導致剩余的屬性個數比較少有關系。

四、客戶分類結果分析

通過對C4.5決策樹算法得到的決策樹進行分析，我們得到以下會員制超市客戶分類的信息：

1.年收入為10000美元至30000美元的客戶是普通卡客戶。

2.在年收入30000美元至150000美元的客戶群中，客戶的消費水平隨子女數的增加而增加，即消費水平與子女數成正比，當在家的子女數在兩個及兩個以下時，客戶基本以持銅卡為主，而當子女達到及超過3個時，基本以持金卡為主。

3.年收入超過150000的高收入客戶，其消費水平和其婚姻狀態密切相關，其中已婚的客戶多是金卡客戶，而未婚的客戶多是銀卡客戶，已婚客戶的消費水平要高于未婚客戶。

五、結論

本文基于Weka平臺，使用決策樹c4.5、隨機森林、貝葉斯信念網絡和支持向量機SMO等不同算法，挖掘出會員制超市客戶的分類特征。挖掘結果對會員制超市管理人員更好的了解用戶，并制定出有益于企業的決策有重要意義。

參考文獻:

[1]威滕 弗蘭克： 數據挖掘:實用機器學習技術[M].北京:機械工業出版社，2006

[2]LEO BREIMAN. Random Forests[J]. Machine Learning，2001，45:5–32

[3] Jiawei Han， Micheline Kamber.數據挖掘概念與技術[M].北京:機械工業出版社，2006