金融数据挖掘选编.docx

金融数据挖掘论文 院系： 理学院 专业班级： 信息与计算科学132班 学号： 201311010213 姓名： 施秋梅 日期： 2016年6月24日   PAGE \* MERGEFORMAT 12 摘要 本文主要讲述金融数据挖掘中的聚类分析，主要介绍聚类分析的几种聚类的方法——系统层次聚类法，k-均值算法，BIRCH算法和基于密度的聚类算法。然后通过几个实例来深度了解这几种算法，最后是聚类分析在生活中的应用。目 录 TOC \o 1-3 \h \u   HYPERLINK \l _Toc23109 摘要  PAGEREF _Toc23109 1  HYPERLINK \l _Toc24954 1. 前言 3  HYPERLINK \l _Toc15726 2. 相关算法分析 3  HYPERLINK \l _Toc32568 2.1系统层次聚类法 3  HYPERLINK \l _Toc27358 2.2 k-均值算法 4  HYPERLINK \l _Toc27358 2.3 BIRCH算法 6  HYPERLINK \l _Toc27358 2.4 基于密度的聚类算法 7  HYPERLINK \l _Toc16140 3. 实例分析 8  HYPERLINK \l _Toc16015 3.1 R语言的一个实例 8  HYPERLINK \l _Toc18314 4. 应用 10  HYPERLINK \l _Toc18314 5. 总结 11  1、前言 聚类分析也称无教师学习或无指导学习，与分类学习相比，聚类的样本一般事先不做标记，需要由聚类学习算法自动确定。聚类分析是在没有训练目标的情况下将样本划分为若干簇的方法。聚类分析是数据挖掘中重要的分析方法，由于数据和问题的复杂性，数据挖掘对聚类方法有一些特殊的需要，这些需要表现为：大规模数据中块特征的认识需要，能够处理不同属性数据的聚组，适应不同形状的聚类方法，具备抗强噪声的能力和较好的解释性，不受输入数据的顺序的影响，高维聚类以及能够和具体的约束兼容等，以上需要造就了丰富的聚类分析方法，也使得聚类分析广泛的应用于客户分析、文本归类、结构分组和行为跟踪等问题中，成为数据挖掘中发展很快而且灵活变化丰富的一个分支。 聚类分析是一种探索数据分组的统计方法，其目的是建立一种归类的方法，将一批样本或变量，按照它们在??征上的水程度进行分类，使得组内样品的相似度达到最大，而组间的差距达到最大。即簇内部的人艺两个样本之间具有较高的相似度，而属于不同簇的两个样本之间具有较高的相异度。相异度通常用样本间的距离刻画。在实际应用中，经常将一个簇中的数据样本作为同质的整体看待，有简化问题和过滤冗余信息的作用。 聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。 2、相关算法分析 2.1系统层次聚类法 距离分层的典型方法是层次聚类算法。层次聚类法也称为系统层次聚类法，其想法是首先将所有的样品都单独作为一类，然后计算任意两个类之间的距离，将其中距离最近的两个类合并为一类，同时聚类的数量减一。不断重复这个过程，直到最后只剩下最大的类别。层次聚类算法的步骤可以概括如下： （1）根据适当的距离定义准则，计算现有的N个类别两两之间的距离，找到其中最近的两个类(不妨记为P和Q)； （2）将P，Q合并，作为一个新类PQ，加上剩下的N-2个类，此时共有N-1个类； （3）重复步骤（1）（2），直到聚类数缩减为1停止。 系统聚类的算法复杂度是O(n^2)，上述聚类的结果可以用一个树状图展示，如图2.1所示，其中树的最低端表示所有的样品单独成类，最顶端表示所有的样品归为一类，而在此之间，聚类数从N-1变动到2。在任何一个给定的高度上，都可以判断哪些样品被分在树的同一枝，而聚类数的确定，需要通过实际情况进行判断。 图2.1 2.2 k-均值算法 k-均值算法是另一种应用范围非常广的聚类方法，它是一种典型的划分聚类的方法。其思想是在给定聚类数K时，通过最小化组内误差平方和来得到每一个样本点的分类。 k-均值算法的过程大致如下： （1）从N个样本点在中任意选择（一般是随机分配）K个作为初始聚类中心； （2）对于剩下的其他样本点，根据他们与样本中心的距离，分别将他们分派给与其最相似的中心所在的类别； （3）计算每个新类的聚类中心； （4）不断重复（2），（3），直到所有的样本点