(数据情况同上文)
一.使用K-means算法,根据评分,收入,年龄对共享单车用户进行分群并初步勾画用户画像
我们希望对共享单车用户进行分类,这个分类是基于评分、收入和年龄三个属性的,并且显示分类后各类用户的基本属性。
1.首先,我们明确用K=means算法对用户进行分群
2.其次确认对用户分多少类,用肘部法则进行确认,得到图像如下
setwd("C:/Users/emera/Desktop /Shared_Bike_Sample_Data_ML")
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
cost.df <- data.frame()
#取1-10个聚类分别计算到聚类中心距离之和
set.seed(80)
for(k in 1:10)
{
kmeans.fit <-kmeans(x=scale(shared_bicycle.sample.data[,c("月收入","年龄","分数")]),centers=k)
cost.df <- rbind(cost.df,cbind(k,kmeans.fit$tot.withinss))
#cbind按照列合并,rbind按照行合并
}
names(cost.df) <- c("k", "d2")
cost.df
library(ggplot2)
ggplot(cost.df,aes(k,d2))+
geom_point()+
xlab('聚类数目')+
ylab('到聚类中心的距离平方和(Cost)')
在下图中可以看到,肘部明显出现在聚类数目等于5处,因此确认聚类数目为5个。
3.随后我们使用kmeans()函数进行聚类分析,并可视化,得到结果如下
set.seed(10)
kmeans_cluster <- kmeans(scale(shared_bicycle.sample.data[,c("月收入","年龄","分数")]),5)
shared_bicycle.sample.data$k标签<- as.factor(kmeans_cluster$cluster)
## 可视化聚类
library(ggplot2)
library(GGally)
ggpairs(shared_bicycle.sample.data[,c("月收入","年龄","分数")], aes(colour = shared_bicycle.sample.data$k标签, alpha = 0.4))
ggplot(shared_bicycle.sample.data, aes(年龄, 月收入, color=k标签)) + geom_point()
ggplot(shared_bicycle.sample.data, aes(年龄, 分数, color=k标签)) + geom_point()
ggplot(shared_bicycle.sample.data, aes(分数, 月收入, color=k标签)) + geom_point()
可以看出从各个切面看,都进行了较好的分类。
4.我们对各类用户求分数、年龄、和收入的平均值,得到结果:
## 计算聚类结果(每个聚类的:用户数量、平均年龄、平均收入、平均打分)
library(dplyr)
shared_bicycle.sample.data %>%
group_by(k标签) %>%
dplyr::summarise(平均年龄=mean(年龄),平均月收入=mean(月收入),平均分数=mean(分数))
整理并添加标签,得到以下表格:
结合散点图和表格可以看出,满意分和收入并没有明显的关系,但是和年龄关系显著。但K-means也给出了较为合理的客户分群,对于不同收入、不同年龄的群体,运营策略肯定也需有所差别。
二.使用线性回归算法,根据年龄、城区对用户评分进行拟合,用于预估用户评分
1.首先,调用lm()函数,求得年龄、城区对分数的线性回归模型:
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
lm_simple_fit <- lm(分数~城区+年龄,data=shared_bicycle.sample.data)
summary(lm_simple_fit)
2.从模型中,我们可以得到公式:分数=-7.59+0.46x年龄+0xδ(朝阳区)-0.08xδ(东城区)+1.43xδ(海淀区)+0.38xδ(西城区)
决定系数R^2和调整R^2分别是0.8744和0.8691,数值大于0.7,我们认为这个模型较好地拟合了城区、年龄与分数之间的关系。
根据此模型,我们可以计算根据年龄和城区大概预估分数。
3.我们相对影响因素进行排序,看哪个是最大的影像因素
因为年龄取值范围大,而城区取值只有0和1,所以要把年龄也加入强正至强负排序,则需要对其进行归一化处理
年龄归一化模型:
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
shared_bicycle.sample.data$归一化年龄<-scale(shared_bicycle.sample.data$年龄)
lm_simple_fit <- lm(分数~城区+归一化年龄,data=shared_bicycle.sample.data)
summary(lm_simple_fit)
从统计结果中可以看到,年龄的影响因子和城区相比非常大,所以我们说年龄对评分有更大的影响。
三.使用决策树,对是否推荐者的关键节点进行分类,观察具有哪些特征的用户最有可能成为推荐者
1.我们使用决策树模型根据分数来对人群进行分类,把受访用户分为五类。在R中运行如下代码,构建决策树模型并可视化:
setwd("C:/Users/emera/Desktop/ Shared_Bike_Sample_Data_ML")
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
library(rpart)
library(rpart.plot)
shared_bicycle.sample.data$分数
Dicision_Tree <- rpart(分数~城区+年龄+组别, data=shared_bicycle.sample.data)
rpart.plot(Dicision_Tree)
2.根据决策树的子节点,我们将人群分类如下:
我们可以明显看出,虽然输入的年龄、组别、城区三个自变量,但是通过决策树模型给出的都是按年龄判断的节点,可以看出分数和年龄的相关性非常大
四.根据以上分析,我们可以得出以下商业洞见:
根据三个分析方法,我们都发现年龄和分数有极强的正相关性,年龄高的用户更倾向于给出更高的评分。我们可以分析最极端的两个分类,21岁以下年龄段的用户和29岁以上年龄段的用户在产品的使用场景和需求上有何区别。比如是否这部分用户工作年限有限,收入更低,对价格更为敏感,因此价格的变动会更大程度地影响他们的满意程度?是否这部分用户是加班的主力军,在晚上他们在工作场所没有足够的共享单车使用?是否这个年龄段的用户对单车的要求比更为年长的年龄段的人更高,比如需要单车好看拉风等等。
网友评论