K均值聚类算法在商业银行客户分类中的应用

作者：瞿小宁

来源：计算机仿真, 2011, (06): 357-360.

• 粒子群算法
• 客户分类
• 数据挖掘 PSO
• Customer subdivision
• Data mining

研究商业银行客户分类优化问题。商业银行客户类别具有多变性,其类别由初始聚类中心来确定,而传统K均值初始聚类中心固定,不能适应客户类别具有多变性,导致商业银行客户分类结果易陷入局部最优,分类准确率极低。为了提高商业银行客户分类的准确率,提出粒子群优化K均值聚类的商业银行客户分类模型。模型将K均值的初始聚类中心作为一个粒子,商业银行客户分类准确率作为粒子群优化的目标函数,通过粒子相互协作获得最优初始聚类中心,聚类中心具有自适应性,使然后采用最优K均值聚类算法对银行客户进行分类。仿真结果表明,优化K均值算法收敛速度快,提高了客户分类准确率,分类结果更加合理,便于对商业银行为客户采取相应经营策略。