Please enable JavaScript.

Coggle requires JavaScript to display documents.

R Clustering (RFM (欄位 (一個欄位一個維度 dimension (不恰當的就捨棄叫做降維 (太接近就有貢獻性的問題，辨識效力不明…

- - - - 有時候可用降維度法
      - 來取得哪些分群是比較恰當的
      - 不恰當的就捨棄叫做降維
        
        太接近就有貢獻性的問題，辨識效力不明顯
        
        性別
        
        所以捨髮長用性別去跑就好，這就是降維
        
        頭髮長度
        
        頭髮相對於性別不明顯
  - - - R/F/M 從最好到的最壞的排序：
      - 1%~20%: 5 分
      - 21%~40%: 4 分
      - 41%~60%: 3 分
      - 61%~80%: 2 分
      - 81%~100%: 1 分
- - - - 單純看x1,x2,x3,x4,x5~,X7之間的關係，不看y
    - - 看x1~x7是否有類似的現象，並且分群觀察
      - 在座標軸上的群集他不會有「分類器」
      - 也就是不會有table
    - - 根據什麼條件分類
      - 分類完要做什麼（實際上是預測）
      - 先依照x1-x7的項目，透過專家介入去定義它是一個高中低的狀況（如index:下高中低貢獻度）
      - 所以當有新的active user加入後，
        我們可以依據之前的狀態，預測新的active user他是落在哪一個分類裡面，從而達成預測的目的
      - 預測y的用途
      - 最後出現分類的決策過程叫做「分類器」
      - 用iris舉例
      - 詢問分類器的噂確度，要附上
        精準度precision
        召回率recall
        但問題是，他是線性交叉關係，一項越高則另一項越低
- - - - 60
    - - 50
    - - 40
    - - 50
    - - 直接對全部店家做平均排序比分
        
        性別
        
        季節
  - - - 群一
      - 群二
      - 群三