创建 K 均值聚类模型的示例
此示例为客户流失率数据集创建聚类模型。
SAMPLES.CUSTOMER_CHURN 表包含此示例中使用的数据。在此示例中，需要一个包含训练数据的表，以及一个包含预测数据的表（例如，应用经过训练的模型）。
以下调用显示如何根据 SAMPLES.CUSTOMER_CHURN 表创建这些表：
CALL IDAX.SPLIT_DATA('intable=samples.customer_churn, traintable=customer_churn_train, testtable=customer_churn_predict, id=cust_id, fraction=0.35');以下调用显示如何创建 K 均值聚类模型：
CALL IDAX.KMEANS('intable=customer_churn_train, id=cust_id, k=5, maxiter=3, distance=euclidean, model=ci_km5c, outtable=ci_km5m_out');此调用使用 Euclidean 函数作为距离指标。它最多通过 3 次迭代创建 5 个聚类。另外，还会创建 4 个模型表，以及 1 个通过 outtable 自变量指定的输出表。此自变量包含 intable 训练数据集中每个实例的聚类成员关系信息，以及与聚类中心的距离。
以下元表是通过 model 自变量指定：
<model name>_MODEL
<model name>_CLUSTERS
<model name>_COLUMNS
<model name>_COLUMN_STATISTICS<model name>_MODEL 包含以下应用于整个聚类模型的信息。
- <model name>_CLUSTERS 包含模型中的所有聚类。另外，还包含有关聚类的信息，例如，聚类中心、聚类大小以及聚类成员与中心之间距离的平方和。
- <model name >_COLUMNS 包含 K 均值聚类和评分所使用的所有列。
- <model name>_COLUMN_STATISTICS 包含列统计信息。
要分析所创建的模型，您可使用 PRINT_KMEANS 过程，如下所示：
CALL IDAX.PRINT_MODEL('model=ci_km5c, mode=clusters');样本输出如下所示：
Result set 1
--------------
CLUSTERID NAME SIZE RELSIZE WITHINSS DESCRIPTION
----------- ---------------- -------------------- ------------------------ ------------------------ ---------------
1 1 37 0.211428571428571 2.477881267144491E8 NULL
2 2 28 0.16 3482930.29850247 NULL
3 3 36 0.205714285714286 4.7292148007801384E7 NULL
4 4 27 0.154285714285714 2193463.04765905 NULL
5 5 47 0.268571428571429 8910472.36068028 NULL
5 record(s) selected.
Return Status = 0要进一步分析所创建的模型，您可分析 ci_km5c 聚类表，如下所示：
SELECT * FROM ci_km5c_clusters ORDER BY clusterid;对于每个聚类，这个表均包含一行。对于每个用于聚类的属性与平均属性值（如果是连续属性）和最频繁值（如果是离散属性），它还包含相应的一列。
另外，还包含下列额外的诊断列：
- clusterid
- 聚类的标识号。
- withinss
- 分配到聚类的训练实例与聚类中心之间距离的平方和。
为了改善聚类描述的可读性，您可以只选择诊断列，并跳过代表聚类中心的列，如下所示：
SELECT clusterid, size, withinss FROM ci_km5c_clusters ORDER BY clusterid;对于每个训练实例，ci_km5m_out 成员表均包含一行，并包含以下各列：
- id
- 距离标识。
- cluster_id
- 实例所分配到的聚类的标识。
- distance
- 实例与聚类中心之间的距离（基于聚类距离指标）。
您可以使用此数据来计算额外的指标。该计算基于训练实例的聚类分配。
例如，要确定 censor 属性（以 0 和 1 指示客户流失率）在获取的聚类中的分布，您可以使用以下查询：
SELECT cluster_id, censor, count(*)
FROM ci_km5m_out O, customer_churn_train T
WHERE O.id=T.cust_id
GROUP BY cluster_id, censor
ORDER BY cluster_id, censor; 可以为 k 指定较小的值，因为 k=5 时获取的聚类大小不平衡。不平衡意味着每个较大的聚类都明显大于其他聚类。
以下示例显示如何通过指定 k=2 更好地平衡聚类：
CALL IDAX.KMEANS('intable=customer_churn_train, id=cust_id, k=2, maxiter=3, distance=euclidean, model=ci_km2c, outtable=ci_km2m_out');
SELECT clusterid, size, withinss FROM ci_km2c_clusters ORDER BY clusterid;
SELECT cluster_id, censor, count(*) FROM ci_km2m_out O, customer_churn_train T WHERE O.id=T.cust_id GROUP BY cluster_id, censor ORDER BY cluster_id, censor; 调整 k 值后，聚类将会平衡。
可以将根据训练集创建的聚类模型应用于新数据，如以下示例所示。此调用使用在 k=5 的情况下创建的聚类模型，针对客户流失率预测集生成聚类成员分配。
为进行评分，K 均值聚类选项以及列和聚类的统计（全部用于构建 K 均值模型）将保存在元表中。此信息用于对新聚类进行评分和预测。
以下列表显示元表：
- <model name>_CLUSTERS
- <model name>_COLUMNS
- <model name>_COLUMN_STATISTICS
CALL IDAX.PREDICT_KMEANS('intable=customer_churn_predict, id=cust_id, outtable=ci_km5m_predict, model=ci_km5c');对于所指定数据集中的每个实例，输出表均包含一行，并包含以下各列：
ID CLUSTER_ID DISTANCE
----------- ----------- ------------------------
您可以针对预测集，使用输出表来确定 censor 属性在获取的聚类内的分布，如下所示：
SELECT cluster_id, censor, count(*)
FROM ci_km5m_predict O, customer_churn_predict T
WHERE O.id=T.id
GROUP BY cluster_id, censor
ORDER BY cluster_id, censor;