您可以使用有监督的自组织地图（例如，使用 R 的kohonen包），并使用登录频率作为因变量。这样，聚类将专注于将频繁访问者与稀有访问者分开。通过在每个地图单元上绘制用户数量，您可以了解数据中存在的集群。

因为 SOM 是非线性映射方法，所以这种方法对有尾数据特别有用。

这是集群的问题，你无法分辨什么是集群。我会看到集群用户背后的原因是什么，指定我的阈值，并使用层次集群。

根据我的经验，必须设置所需的集群数量或阈值（将两个数据点绑定在一起的距离值）。

K-Means 聚类应该可以很好地解决这类问题。但是，它确实需要您提前指定集群的数量。

但是，鉴于此数据的性质，您可能可以改用层次聚类算法。由于所有 4 个变量很可能都高度相关，因此您很可能会分解聚类，并在聚类之间的距离足够小时停止。在这种特定情况下，这可能是一种更简单的方法，并且允许您通过在将集合分解为足够精细的集群后立即停止来确定“多少集群”。

您可能会考虑转换（可能是对数）正偏变量。

如果在探索了各种聚类算法之后，您发现这四个变量只是反映了不同的使用强度级别，您可能会考虑基于理论的分类。据推测，这种分类将用于某个目的，并且该目的可能会在一个或多个变量上驱动有意义的切点。