Clustering.

Presentación del tema: "Clustering."— Transcripción de la presentación:

1 Clustering

2 Base de Lógica Difusa “Cliente joven” Función de pertenencia
Edad Variable lingüística 3 6 4 2 1 m ( A ) Función de pertenencia

3 Agrupamiento con Lógica Difusa
x 1 2 3 4 5 6 7 8 9 Datos originales 1 Clases estrictas Centros de clases X . 3 1 6 4 5 8 9 7 Clase difusa 2 Clase difusa 1

4 Agrupamiento con Lógica Difusa
Algoritmo: Fuzzy c-means (FCM) n objetos, c clases ui,j = grado de pertenencia de objeto i a clase j (i=1, ..., n; j=1, ..., c) U = (ui,j)i,j ui,j [0,1; ui,j = 1; i = 1, ..., n Función objetivo: min  (ui,j)m d2(xi, cj) xi : objeto i; cj : centro de clase j; d2(xi, cj): distancia entre xi y cj m : parámetro difuso (1<m<)

5 Algoritmo: Fuzzy c-means (FCM)
1. Determina una matriz U con ui,j [0,1; =1 2. Determina los centros de las clases: cj = 3. Actualiza los grados de pertenencia: ui,j = Uk = matriz en iteración k 4. Criterio para detener: Uk+1 - Uk < 

6 Segmentación de Clientes
Requerimientos Banco Producto 1 Producto n ¿Qué producto para qué cliente? ?

7 Segmentación de Clientes - Solución Tradicional
3 Clases de clientes privados: Clase 1: Ingreso <= 30,000 Euro Propiedades <= 40,000 Euro Clase 2: Ingreso > 30,000 Euro y <= 80,000 Euro Propiedades > 40,000 Euro y <= 200,000 Euro Clase 3: Ingreso > 80,000 Euro Propiedades > 200,000 Euro

8 Segmentación de Clientes
de atributos Selección Segmen- tación de clientes Agrupamiento Clasificación

9 Segmentación de Clientes usando Agrupamiento Difuso
Modelo Objetos: clientes; Atributos: ingreso, edad, propiedades, Método Fuzzy c-means con c=2, ..., 10 clases

10 Centros de 6 Clases