信用卡用户大数据分析报告实验报告材料.docx

1、信用卡用户大数据分析报告实验报告材料信用卡用户数据分析实验报告实验目的：1、熟悉Clementine软件从数据导入到结果输出的全过程。2、复习Clementine 软件中聚类方法。3、复习Clementine 软件中的关联分析方法实验内容：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

2、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。Koho

3、men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

4、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

5、“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：分析：月刷卡额最多的群体是2024的年轻群体；其次是1519和2529岁之间的群体;3034岁之间的群体月刷卡额也在6000以上；3539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：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：分析：持卡量最多的群体是2024的年轻群体；其次是1519和2529岁之间的群体;3034岁之间以及3539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；