江苏四市政府绩效评估指标挖掘结果.pdfVIP

甘《肃行政学院学报)2013年第1期 政府管理与行政改革 置参数 3之后聚类结果的提升图，从它可以看出， mentStudio的数据表的方式表示输出。在此我们仍 聚类分析 自动形成了在特定支持度(横坐标)下赋 然与前面一样，仅呈现 “Clusterl”的截屏，如图5。 权 (纵坐标)聚类的3个簇 ，这3个簇内部均包含 这些 “项集”实际上就是经过基于 BIRCH原理的 若干个项集，如Clusterl包含了66个项集 ，⑤提升 分层硬聚类之后二级指标 “Clusterl”中所包含的三 图只显示了我们设置了参数的簇。这3个簇就是 级指标 ，它们也都被聚类挖掘 自动赋予了值，也就 我们所挖掘出的第二层指标，也就是二级指标，它 是权。从图中我们可以看到，这次聚类形成的项集 们也是基于共同特征而聚集到一起。根据软件提 的值普遍远大于用神经网络聚类形成的值，是因 示的属性特征，我们将这些簇分别命名为 “经济增 为前者包括的项集众多 (2021个)，数据挖掘 自动 长”、“产业协调”、“结构协调”，它们就是我们所寻 赋于到每个项的权值当然很小；而后者包括的项 求的一级指标 “经济发展”所包含的二级指标，它 集较少 (66个)，在BIRCH分层赋权聚类中，它们 们的支持度和指标值(权重)具体如表 1所示。 吸收了很多被聚类掉的其他项集的权值，自然增 表 1 簇名(二级指标)、支持度、权值 大了它们 自身的权值。其它二级指标下的项集的 簇 (二级指标) 命名 支持度 值 (权) 产生过程与此相同，此处省略不再呈现。 Clusterl 经济增长 91．6％ 0．140HD (三)所有二级指标 Cluster2 产业协调 93．5％ 0．0762 我们利用产生第一个一级指标下的3个二级 Cluster3 经济结构协调 92_2％ O．0645 指标相同的逻辑、路径还挖掘出了其他27个二级 表 1展示了在相应的支持度下利用 BIRCH 指标，图2中间部分是所有二级指标(包括上文详 分层聚类原理挖掘出的项集 (二级指标)及其值 述的第一个一级指标下的3个二级指标)的名称 、 (权重)。从图3聚类挖掘所提示的支持度合格线 支持度、权值 。 (60％ 70％之间的黑色线条，其值为67．6％)来看， (四)三级指标挖掘结果 这些簇 (二级指标)都符合研究要求；而图4也显 在有了二级指标的基础上，我们仍然利用 示所有指标值都符合要求，没有单个簇的指标值 BIRCH分层聚类的挖掘方式，将挖掘二级指标所 超越了20％的孤立点界限。可以看出，我们的挖掘 形成的数据作为数据源部署到VisualStudio上，展 属于有效挖掘。 开三级指标的挖掘，其过程与挖掘二级指标如出 二、“经济增长”二级指标下的项集 一 辙，如果要展开叙述，无非是重复描述计算机上 对于簇内的项集我们仍然与前文的研究一 的操作过程，此处从略。需要重复强调的是，我们 样 ，采取了将其以MicrosoftSQLServerManage— 在挖掘的过程中，在每个二级指标下挖掘三级指 mentStudio的数据表的方式表示输出。在此我们仍 标时，预测参数仍然设置为 3，这样就可以挖掘得 然与前面一样，仅呈现 “Clusterl”的截屏，如图5。 到 30*3=90个三级指标 ，它们的支持度 、名称 、权