R语言在数据挖掘中应用及其算法分析.docVIP

R语言在数据挖掘中应用及其算法分析 　　摘要；开源中的R语言具有很好的扩展性，它具有可视算法及多种数据分析。该文将通过对于R语言中的相关算法和技术进行分析，分析一些实际应用案例，探讨一下R语言中在数据挖掘中的优势 关键词：R语言；数据挖掘；算法 中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）07-0209-02 现今很多企业都采用“用数据决策”，以及“用数据说话”等方式对自身的企业进行改革以及转变发展方向。但是利用传统的数据随机抽取、或是全样抽取等数据收集方式，具有严重的实效差，已经满足不了人们对于信息需求的实时性，而且严重地影响了数据的准确度。如何在大量的数据中收集到准确度度较高的信息，是一个企业提高竞争力的重要内容 1在数据挖掘中的R语言技术 1.1Kmeans技术 Kmeans自定义算法编写流程可以看图1，先是进行绘制p.kmeans相关的函数，之后就是对每个数据中的样本设置相应的id号，其中mid是中心数据，c.core主要就是对数据进行集中分类。对于每个聚类的中心坐标是用Mid.core函数进行位置计算的，通过对多个中心进行计算，如果每次的计算结果都是相同的，那么就停止进行函数循环计算。否则就要继续进行计算，指导每个中线点值都是相同的 1.2IGRAPH技术 IGRAPH常用于电商平台和社交网站等平台，它主要是将每个站点的图片等相关信息进行分析，然后获得具有价值的数据决策。它是经过对结点和线段进行图片构建，然后给予两者进行赋值：比如对于线段的无方向权重，或是有向权重是多少。而且IGRAPH自身就具备多种图片建设策略。比如图1中的“随机算法”可以将随意两点进行连线，构成图片，对于图片的生成也可以利用数据中“最小生成树算法”，这样可以构成最小连线权重。其中将两个结点的连线穿透到第三个结点可以使用“穿插算法”，对于那种带方向的图片，想要对两个结点进行连通就需要M指向N的必要条件作为支持，对于无方向的图片，只有M与N是相互指向的才能称为是连通的。在对图片进行创建是经常使用的就是“最短路径算法”，如果图片中出现负数的权重值，那么就要使用Bellman-Ford这种算法，如果图片中出现相同的权重值，或是值都是正数的话，就要用到Dijkstra这个算法。对大量的图片进行连线和结点处理，然后通过处理就可以得到所有图片包含的信息。比如，一些图片相关的连线与结点数量、图片中结点之间的距离、图片对称程度、图片的每个结点是否是孤立的、每个图片相关结点分布等信息，都可以成为根据图片特征进行分类统计的依据，比如对图片中的结点密集度，以及方向分布特征进行分析，找出图片之间的关联性等 1.3Holt-Winters技术 Holt-Winters是一种基于时间序列指数，属于数据挖掘中的平常算法，它是指在某个时间段形成的趋势数据，比如是数据的上升、保持以及下降等趋势，通过这些数据我们可以分析一下未来数据的发展形势。它的主要算法是通过一次和二次指数进行平滑算法，然后与预测未来数据的走向。有关一次指数的平滑计算递推关系为：mx=cbi+（1-c）mx-1，公式中的c表示的是平滑参数，而mx是表示x个数据中的平滑值，如果c的值接近1的话，那么计算出的数据结果就会越接近当前值，通过两次的指数确定，既可以对坐标位置进行记录了，最后可以通过三次的指数累计对季节性数据的发展趋势进行保存，如果将三次数据进行相乘，这样所得到的数据信息就更加准确了 1.4Weka技?g 在1992年的新西兰关于一个机器人的项目中发展了Weka技术，其中涉及很多机器学习算法，还要很多图片可视化环境编程，这为以后的编程人员学习提供了大量资源。首先，他可以通过知识流功能对相关多个数据进行整合，其中有数据的初始化和处理、数据的关联设置、数据的输出和输入、数据的回归和分类、数据的可视化、以及数据的聚类和评估等操作，然后，就是实现用命令去执行其他命令的功能。其中的数据初始化是对数据特征进行分析的，赋予数据统一化的格式。其中将会用到的数据有Discretize（），Normalize（），他们分别是对离散型和标准化数据进行管理的 Classifer是进行数据分类的，它可以通过测试数据集、交叉校验、训练数据集等方式对数据模型进行建设，之后可以利用Result list所提供的可视化图片检查历史的数据分类，然后就可以利用classifer输出所要的分类结果，最后对结果进行检验，这样就可以看到错误和正确的分类数据信息，该过程有运用到几个算法：决策树算法J48（）、提取源数据样本Bagging（）、向量分类SMOO、相邻分类IBk（）。对数据进行聚类中相关的算法有：（1）Cobweb（）；是构建聚类的，它通过查