《机器学习Python实战》电子教案 13-2-项目9 k 均值聚类算法实战

武汉软件工程职业学院教案（理论教学首页）（第1页）教案（理实一体化课）武汉软件工程职业学院教案（附页）（第NUMPAGES4页）课程名称机器学习授课内容项目9航空公司客户价值分析——基于K-means聚类算法 9.3项目拓展——航空公司客户价值分析授课安排授课时数2授课对象人工智能技术应用专业大二学生授课方法课内实训、任务驱动法授课教具Python3.7及后续版本、Anaconda、Jupyter教学目标思政目标：随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。知识目标：掌握K值的确定能力目标：能熟练使用K-means算法模型解决分类问题教学重点K-Means算法；分析聚类结果教学难点构建LRFMC模型的特征【课前安排】（1）教师对学生们的疑问进行统一答疑。（2）回顾总结上节课内容，继续介绍本课时的内容。上机课介绍了K-means算法的原理，本节课介绍K-means算法实例。【导入新课】本项目的目标是：结合目前航空公司的数据情况，借助航空公司客户数据，对客户进行分类。对不同的客户类别进行特征分析，比较不同类别客户的客户价值。对不同价值的客户类别提供个性化服务，制定相应的营销策略。【讲授新课】教师根据课件，演示项目分析与实现步骤：教师根据课件，演示构建航空客户价值分析的关键特征。特征选择本项目选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C两个特征代替消费金额。此外，航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度L，作为区分客户的另一特征。本项目将客户关系长度L，消费时间间隔R，消费频率F，飞行里程M和折扣系数的平均值C作为航空公司识别客户价值的关键特征（如表32所示），记为LRFMC模型。根据航空公司客户价值LRFMC模型，选择与LRFMC特征相关的6个特征：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、avg_discount、SEG_KM_SUM、LAST_TO_END。特征变换由于选取的L、R、F、M、C特征在原始数据中并没有直接给出，因此需要根据原始数据特征进行特征变换得到需要的特征。L=观测窗口的结束时间-入会时间=LOAD_TIME-FFP_DATER=最后一次乘机时间至观察窗口末端时长=LAST_TO_ENDF=观测窗口的飞行次数=FLIGHT_COUNTM=观测窗口总飞行公里数=SEG_KM_SUMC=平均折扣率=avg_discount教师根据课件，演示标准化LRFMC五个特征。完成五个特征的构建以后，对每个特征数据分布情况进行分析，其数据的取值范围如表所示。从表中数据可以发现，五个特征的取值范围数据差异较大，为了消除数量级数据带来的影响，需要对数据做标准化处理。教师根据课件，演示使用K-Means算法进行客户分群。采用K-Means聚类算法对航空公司客户进行分群，K-Means聚类需要预先给出k值。客户分群聚类结果如表所示。教师根据课件，演示根据聚类结果绘制雷达图。上机练习上机练习主要针对本章中需要重点掌握的知识点，以及在程序中容易出错的内容进行练习，通过上机练习可以考察同学对知识点的掌握情况，对本章知识掌握程度。形式：单独完成上机：项目拓展——航空公司客户价值分析目标：使用航空公司客户数据，结合客户价值分析模型，采用k-means算法，对客户进行分群，比较不同类别客户的客户价值。要求如下：1.读取并查看数据2.构建LRFMC模型3.数据标准化4.模型构建5.绘制雷达图【课堂小结】回顾上课前的学习目标，对本节课知识点进行总结。【课后安排】给学生布置练习，检测学生的掌握程度，并对学生出现的问题进行解决。回顾上课前的学习目标，对本节课知识点进行总结，根据对业务的理解和分析，利用K-Means聚类