信用卡用户大数据分析报告实验报告材料Word文件下载.docx
《信用卡用户大数据分析报告实验报告材料Word文件下载.docx》由会员分享,可在线阅读,更多相关《信用卡用户大数据分析报告实验报告材料Word文件下载.docx(22页珍藏版)》请在冰豆网上搜索。
![信用卡用户大数据分析报告实验报告材料Word文件下载.docx](https://file1.bdocx.com/fileroot1/2022-12/31/b09d9c26-ac2b-4e3b-9caf-f523518df259/b09d9c26-ac2b-4e3b-9caf-f523518df2591.gif)
实验内容:
在Clementine中建立信用卡数据分析模型;
聚类分析:
使用K-Means、Kohonen、两步法,进行聚类,并简单给出结论;
异常点分析:
使用“异常”节点进行异常分析,并简单给出结论;
关联规则分析:
对其中感兴趣的字段进行关联分析,画出网络图,并简单给出结论。
信用卡分析:
打开操作区,选择“可变文件”,将之拖入操作区,编辑“可变文件”
,打开位于E盘中的“信用卡交易-Data.csv”数据源,如图所示:
在“类型”中将各个字段的值读入,如图所示:
然后进行各项分析。
K-means分析:
创建K-means结点,编辑使用定制设置,选择所要进行分析的字段名,如图:
选择“执行”,执行之后在右侧区域形成K-means模型,如图:
将K-means模型拖入操作区并与数据源相连:
单击模型进行分析:
点击“查看器”:
分析结果:
在对各项的字段进行分析中,对强制停卡记录、性别、都市化程度分成三个聚类,得出的结果是强制停卡记录、以及都市化程度的重要性均大于0.95,而性别的重要性则为0.00,说明强制停卡记录以及都市化程度对聚类的影响程度很大,而性别的影响程度几乎为0。
Kohomen分析:
创建Kohomen分析结点,选择相应的要分析的字段:
编辑完毕之后点击“执行”:
点击模型查看分析结果:
在查看器的分析结果中,三个字段的重要性均大于0.95,这说明个人月收入、婚姻、瑕疵户、三项因素对聚类的影响程度都很大。
两步聚类分析:
创建“两步”聚类分析结点,并进行编辑:
点击“执行”生成两步聚类分析模型,如图:
点击查看分析结果:
在分析结果中发现,学历、宗教信仰、月刷卡额字段的重要程度均大于0.95,说明这些因素对于聚类的影响程度都很高。
异常分析:
创建“异常分析”结点并与源文件相连;
在编辑结点中,选择所要分析的字段,如图所示:
点击“执行”后,形成异常分析的模型,然后点击查看:
为了更好的查看异常用户的异常情况,创建一张表,用来显示异常用户的基本信息。
然后对表进行排序,将正常用户与异常用户隔离开来。
如图所示:
分析结果如图所示:
在字段“O-Anomaly”中,若字段值为“F”,则为正常用户,若字段值为“T”,则为异常用户,如编号为14号的用户,即为信用卡异常的用户。
关联分析:
散点图分析:
在散点图结点中,要分析“都市化成都”以及“个人月收入”这两者之间的相关程度,故选择X字段以及Y字段分别为“都市化成都”和“个人月收入”。
如图:
点击“执行”,结果如下图所示:
分析:
由上如的分析结果可以看出,生活在“都市”的居民人数最多,而收入高的人群也比生活在“都”以及“城”的居民多。
其次是生活在“都”的居民个人月收入次之,最后是生活在“城”的居民。
集合分析:
利用集合分析来研究月刷卡额与年龄之间的关系,如图:
月刷卡额最多的群体是20——24的年轻群体;
其次是15——19和25——29岁之间的群体;
30——34岁之间的群体月刷卡额也在6000以上;
35——39岁之间的群体月刷卡额接近6000;
随着年龄的增长,月刷卡额也在下降。
多重散点图分析:
由图可以看出:
对于个人月收入,各个学历的阶层都分布在10000元以下及60000元以上各个层次;
对于个人月开销,各个学历阶层都分布在10000元以下及40000元以上这些层次上。
直方图分析:
利用直方图分析年龄与信用卡使用量的关系:
持卡量最多的群体是20——24的年轻群体;
30——34岁之间以及35——39岁之间的群体持卡量也很大;
40岁以上的群体持卡量较年轻群体较少;