教程：通过 SQL 机器学习在 R 中构建聚类分析模型

适用于： SQL Server 2016 (13.x) 及更高版本 Azure SQL 托管实例

此系列教程由四个部分组成，这是第三部分。你将在 R 中构建一个 K-Means 模型来执行聚类分析。 在本系列的下一部分中，你将在 SQL Server 机器学习服务中或大数据群集上将此模型部署到数据库中。

本文将指导如何进行以下操作：

• 定义 K-Means 算法的群集数
• 执行聚类分析
• 分析结果

在第一部分中，你安装了必备条件并还原了示例数据库。

在第二部分中，你了解了如何从数据库准备数据以执行聚类分析。

在第四部分中，你将了解如何在数据库中创建存储过程，以便基于新数据在 R 中执行聚类分析。

先决条件

• 本教程系列的第三部分假设你已符合第一部分的先决条件，并完成了第二部分中的步骤 。

定义群集数

若要对客户数据进行聚类分析，需要使用 K-Means 聚类分析算法，这是最简单、最常见的数据分组方法之一。 有关 K-Means 的详细信息，请参阅 K-means 聚类分析算法的完整指南。

该算法接受两个输入：数据本身，以及代表要生成的群集数的预定义数字“k”。 输出是 K 个群集，输入数据在群集之间进行分区。

要确定要使用的算法的群集数，请使用组内平方和的图，并按提取的群集数进行绘制。 要使用的适当群集数是在曲线的折弯处或“肘形”处。

# Determine number of clusters by using a plot of the within groups sum of squares,
# by number of clusters extracted. 
wss <- (nrow(customer_data) - 1) * sum(apply(customer_data, 2, var))
for (i in 2:20)
    wss[i] <- sum(kmeans(customer_data, centers = i)$withinss)
plot(1:20, wss, type = "b", xlab = "Number of Clusters", ylab = "Within groups sum of squares")

根据该图，看起来 k = 4 将是一个不错的尝试值。 该 ķ 值将客户分组为四个群集。

执行聚类分析

在下面的 R 脚本中，你将使用函数 kmeans 来执行聚类分析。

# Output table to hold the customer group mappings.
# Generate clusters using Kmeans and output key / cluster to a table
# called return_cluster

## create clustering model
clust <- kmeans(customer_data[,2:5],4)

## create clustering ouput for table
customer_cluster <- data.frame(cluster=clust$cluster,customer=customer_data$customer,orderRatio=customer_data$orderRatio,
        itemsRatio=customer_data$itemsRatio,monetaryRatio=customer_data$monetaryRatio,frequency=customer_data$frequency)

## write cluster output to DB table
sqlSave(ch, customer_cluster, tablename = "return_cluster")

# Read the customer returns cluster table from the database
customer_cluster_check <- sqlFetch(ch, "return_cluster")

head(customer_cluster_check)

分析结果

使用 K 平均值完成聚类后，下一步是分析结果，并看看是否可以找到任何可行的信息。

#Look at the clustering details to analyze results
clust[-1]

$centers
   orderRatio itemsRatio monetaryRatio frequency
1 0.621835791  0.1701519    0.35510836  1.009025
2 0.074074074  0.0000000    0.05886575  2.363248
3 0.004807692  0.0000000    0.04618708  5.050481
4 0.000000000  0.0000000    0.00000000  0.000000

$totss
[1] 40191.83

$withinss
[1] 19867.791   215.714   660.784     0.000

$tot.withinss
[1] 20744.29

$betweenss
[1] 19447.54

$size
[1]  4543   702   416 31675

$iter
[1] 3

$ifault
[1] 0

使用第二部分中定义的变量给出四种群集平均值：

• orderRatio = 退单率（部分或全部退货的订单总数与订单总数的比率）
• itemsRatio = 退货率（退货总数与购买商品数量的比率）
• monetaryRatio = 退款率（退货的总货币金额与购买总金额的比率）
• frequency = 退货频率

使用 K-Means 进行数据挖掘通常需要对结果进行进一步的分析，并采取进一步的步骤以更好地理解每个群集，但是它可以提供一些优秀的潜在顾客。 下面通过以下几种方法来解释这些结果：

• 聚类 1（最大聚类）似乎是不太活跃的客户组（所有值均为零）。
• 群集 3 似乎是一个在返回行为方面出现的组。

清理资源

如果不打算继续学习本教程，请删除 tpcxbb_1gb 数据库。

后续步骤

在此教程系列的第三部分中，你已了解如何执行以下操作：

• 定义 K-Means 算法的群集数
• 执行聚类分析
• 分析结果

若要部署已创建的机器学习模型，请按照本系列教程的第四部分进行操作：

通过 SQL 机器学习在 R 中部署聚类分析模型