聚類技術(shù)在車險(xiǎn)業(yè)務(wù)分析中的應(yīng)用研究.pdf

1、數(shù)據(jù)挖掘是近些年來發(fā)展起來的新技術(shù)，通過數(shù)據(jù)挖掘，人們可以發(fā)現(xiàn)數(shù)據(jù)背后隱藏的有價(jià)值的、潛在的知識，為科學(xué)地進(jìn)行各種商業(yè)決策提供強(qiáng)有力的支持。當(dāng)今，數(shù)據(jù)挖掘已發(fā)展成一門跨越多領(lǐng)域的學(xué)科，已經(jīng)成為數(shù)據(jù)庫、模式識別、神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)、計(jì)算智能等領(lǐng)域的研究者關(guān)注的熱點(diǎn)。 本文首先介紹了數(shù)據(jù)挖掘研究的相關(guān)背景，對數(shù)據(jù)挖掘中的聚類分析的相關(guān)工作作一個(gè)簡要的概述，并且結(jié)合車險(xiǎn)業(yè)務(wù)中的挖掘主題，詳細(xì)分析了聚類技術(shù)在車險(xiǎn)業(yè)務(wù)中的應(yīng)用。其應(yīng)用主題主

2、要在三方面：客戶細(xì)分，欺詐識別和客戶投保行為分析。 本文研究了現(xiàn)有的迭代優(yōu)化聚類的初始化方法：即采樣法，密度估計(jì)法以及距離優(yōu)化法，分析了它們的優(yōu)缺點(diǎn)，提出一種新的基于層次聚類算法的初始化方法。該方法能夠找到較為自然的初始聚類中心，且對孤立點(diǎn)和噪聲有較強(qiáng)的抑制，適用于大規(guī)模數(shù)據(jù)的聚類初始化。K-means算法是聚類算法中主要算法之一，它是一種基于劃分的聚類算法。該算法隨機(jī)選取K(K為聚類數(shù))個(gè)點(diǎn)作為初始聚類中心，通過一個(gè)迭代過程完

3、成聚類。如果初始聚類中心選取不合理，就會誤導(dǎo)聚類過程，得到一個(gè)不合理的聚類結(jié)果。本文用新的聚類初始化方法K-means算法中初值選取方法進(jìn)行了改進(jìn)，采用對數(shù)據(jù)集進(jìn)行均勻采樣，得到一個(gè)能在一定程度上代表原數(shù)據(jù)集特征的子集，在子集中采用層次聚類算法得到k個(gè)聚類中心，最后在原數(shù)據(jù)集上以這k個(gè)聚類中心最近的點(diǎn)作為初始聚類中心進(jìn)行K-means算法聚類。由于層次聚類算法是在一個(gè)小數(shù)據(jù)集上運(yùn)行的，計(jì)算量不會很大。在進(jìn)行K-means算法聚類時(shí)，由于

4、初始聚類中心接近真實(shí)值，可以大大提高聚類效果。 K-means算法在運(yùn)行過程中需要不斷迭代，直到終止于局部最優(yōu)解。這一過程反復(fù)計(jì)算比較，計(jì)算量較大時(shí)對算法效率有較大影響。本文提出一種基于內(nèi)積不等式的改進(jìn)方法，內(nèi)積不等式是基于數(shù)據(jù)點(diǎn)的模和向量內(nèi)積的不等式，并且改寫了K-means算法處理過程。通過實(shí)驗(yàn)驗(yàn)證了可行性。 本文針對數(shù)據(jù)挖掘聚類算法在車險(xiǎn)業(yè)務(wù)分析中的應(yīng)用，結(jié)合實(shí)際應(yīng)用設(shè)計(jì)并實(shí)施了一個(gè)車險(xiǎn)CRM數(shù)據(jù)挖掘原型系統(tǒng)。本文