案例：线上消费行为分析 – 客户属性细分 本文以客户线上消费数据为例，介绍一种高维数据降维与聚类方法——自组织映射（Self-Organizing Map, SOM）。 SOM 概述 SOM 是一种无监督神经网络，用于高维数据的降维、聚类与可视化。它将高维输入映射到二维网格，同时保留数据的拓扑关系，使复杂数据结构在低维空间中直观呈现。 SOM 的优势 1. 降维与可视化：将高维复杂数据投影到二维，便于直观展示模式与关系。 2. 拓扑保持：相似数据点会被映射到相邻节点，反映数据的内在结构。 3. 聚类与模式识别：SOM 本质上通过竞争学习实现数据聚类，可揭示潜在分组与模式。 4. 鲁棒性：对噪声敏感度低，能更好捕捉真实结构。 应用领域 1. 数据挖掘：客户细分、市场分析、欺诈检测。 2. 图像与信号处理：模式识别、特征提取、压缩。 3. 生物信息学：基因表达、蛋白质序列分析。 4. 文本挖掘：文档聚类、语义检索。 5. 材料科学与环境科学：复杂特征可视化、污染模式识别。 6. 金融分析：市场模式发现、风险评估。 SOM 的可视化方式 1. 编码图（Codebook Map）：每个节点对应一个权重向量，由归一化变量构成，类似于该位置的“代表样本”。 常用颜色表示变量类别，扇形图表示变量权重大小，直观展示节点间差异与变量分布模式。 2. 聚类图（Clustering Map）：节点按照拓扑结构排列，权重向量可视为“原型点”。 相似节点聚集形成簇群，不同颜色标记不同聚类结果。可进一步用于分析客户群体差异与行为特征。 总结 SOM 将高维数据有效映射到低维空间，既实现可视化，又保留结构特征，是处理复杂数据的有力工具。在 R 中结合实际数据与可视化，可实现客户细分、模式探索等多种应用。 PS: 本文提供了部分R代码。 #数据可视化 #科研绘图 #科研 #数据分析 #生信分析 #金融 #大数据 #风险管理 #市场 #信息可视化