K均值聚类算法在银行客户细分中的研究

研究银行客户细分问题,对客户进行分类,应针对获利最大的为识别目标。为了减少主观性分析,采用K均值聚类算法是数据挖掘技术在银行客户细分中一种重要方法,K均值算法存在对初始值敏感且容易陷入局部最优值的缺点,导致银户客户分类准确率低。为了提高银行客户细分的准确率,提出了一种基于改进的K均值聚类的银行客户细分方法。算法首先通过有效指数法动态调整初始聚类数K,减轻了聚类结果对初始聚类数K的依赖,通过自适应最佳密度半径来确定聚类中心,降低聚类中心对分类结果的影响,加快聚类速度,最后通过初始聚类数K和聚类中心对银行客户进行细分。在C++语言平台上,采用某市银业的客户分类数据对算法进行实验,结果表明,算法有效地克服了传统K均值算法易陷入局部最优值,提高了客户分类准确率,聚类结果更加合理,为银行决策者提高有效的参考,并带来更多的收益。