教學課程：使用 SQL 機器學習在 R 中建置群集模型

適用於：SQL Server 2016 (13.x) 和更新版本Azure SQL 受控執行個體

在這個教學課程系列的第三部分 (總共四個部分) 中，您將在 R 中建立一個 K-Means 模型以執行群集。 在本系列的下一部分中，您將使用 SQL Server 機器學習服務在資料庫中部署此模型，或在巨量資料叢集上進行此部署。

在本文中，您將學會如何：

• 為 K-Means 演算法定義叢集數目
• 執行叢集
• 分析結果

在第一部分中，您已安裝必要條件並還原範例資料庫。

在第二部分，您已了解如何準備資料庫中的資料，以執行叢集。

在第四部分中，您將了解如何在資料庫中建立預存程序，以根據新的資料在 R 中執行群集。

Prerequisites

• 本教學課程系列的第三部分假設您已滿足第一部分的必要條件，並已完成第二部分中的步驟。

定義叢集數目

若要為您的客戶資料進行叢集化，您將使用 K-Means 叢集演算法，這是對資料進行分組的最簡單、最廣為人知的方法之一。 您可以在 K-means 叢集演算法的完整指南中深入了解 K-Means。

此演算法接受兩個輸入：資料本身，以及預先定義的數字「k」代表要產生的叢集數目。 輸出為 k 個叢集，包含在叢集之間分割的輸入資料。

若要對要使用的演算法判斷其叢集數目，請使用「群組平方和」內的繪圖，並以擷取的叢集數目為依據。 要使用的適當叢集數目是在繪圖的折彎處或「肘線」處。

# 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")

根據圖表，k = 4 看起來是理想的嘗試值。 k 值會將客戶分組成四個叢集。

執行叢集

在下列 R 指令碼中，您將使用函式 kmeans 來執行群集。

# 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)

分析結果

現在您已使用 K-Means 完成群集，下一個步驟是分析結果，並確認是否可以找到任何可採取動作的資訊。

#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

使用第二部分中定義的變數以提供四種叢集平均值：

• orderRatio = 退貨訂單率 (部分退貨或全部退貨的訂單總數與訂單總數比較)
• itemsRatio = 退貨率 (退貨總數與購買項目數目比較)
• monetaryRatio = 退貨金額率 (退貨的貨幣金額總計與購買金額比較)
• frequency = 退貨頻率

使用 K-Means 的資料採礦經常需要進一步分析結果，並採取更多步驟，以深入了解每個叢集，但可以提供一些良好的潛在客戶。 您可以透過以下幾種方式來解譯這些結果：

• 叢集 1 (最大的叢集) 似乎是不活躍的客戶群組 (所有值皆為零)。
• 叢集 3 似乎是在退貨行為方面比較明顯的群組。

清除資源

如果您不打算繼續進行本教學課程，請刪除 tpcxbb_1gb 資料庫。

後續步驟

在本教學課程系列的第三部分中，您學到了如何：

• 為 K-Means 演算法定義叢集數目
• 執行叢集
• 分析結果

若要部署您已建立的機器學習模型，請遵循本教學課程系列的第四部分：

使用 SQL 機器學習在 R 中部署群集模型