# 帳號分析 hash string clustering 201228

---
## 本週實驗
將資料量增至9710筆，透過上週測試方式觀察Kmeans的分群結果，選擇較適合的群心數後，對各群做MED，並觀察時間。

### 實驗方法
- 原始資料取10000筆，並用正則表示式過濾掉含特殊字元的帳號
- 過濾後剩餘9560筆
- 建立三種帳號，每種帳號各 50 個，總計 150 筆，規則如下。
1. 'hm0000'+流水號
2. 'ssu'+流水號+'ssu'
3. 'asd'+流水號+'asd'
- (流水號範圍 0~50)
- 將原始資料 9560 筆與流水號帳號串接，共 9710 筆帳號作為 test data
- 將過濾後的帳號透過hash function轉成數值，並將此hash value與帳號長度做為Kmeans feature
- 用Kmeans做分群並將結果匯出觀察
- 觀察各群數量分布與分群後是否有overfitting的情況
- 初步分群後，將各群再做minimum edit distance matrix
- 確認分群後產生MED矩陣所需時間

### 實驗結果
- 實驗後群心數設10群是此資料量分群結果較佳
#### Kmeans 分群 (10群)
- 群分佈
- 十群做MED的時間
- 切成1000筆 單群所需時間

- 原資料含流水號的部分

#### 10群 vs 15群 & 10群 vs 20群
- 20群
- 10群
---
- 15群
- 10群

## 下週計畫

###### tags: `Progress Report`