浅谈数据挖掘中聚类研究.docVIP

浅谈数据挖掘中聚类研究摘要：随着信息技术的发展，数据挖掘技术得到了广泛的关注，聚类分析数据挖掘是其中一个重要的研究方向。该文首先对数据挖掘相关技术进行了简要的分析，对数据挖掘中的聚类分析技术进行了介绍，聚类分析的方法主要有层次方法、划分方法、基于密度的、网格的以及模型的方法，聚类分析已经广泛地应用于模式识别，数据分析，图像处理，以及市场研究等，该文的研究对聚类分析的应用具有一定的参考价值。 关键词：数据挖掘；聚类分析 中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）09-2031-02 1 概述 随着信息技术的高速发展，各种新思想、新技术不断涌现。而数据挖掘技术是目前信息技术领域的公认的最为前沿课题，是最具有发展前景的技术之一。聚类分析作为数据挖掘的重要功能近年来也取得了长足的进步，一系列方法的产生对于分析准确性的提供了坚实的基础，从而也使得其应用扩展到各个领域，通过本文的研究为聚类分析技术的应用提供一定的借鉴。 2 数据挖掘概述 2.1 数据挖掘的含义 由于一些数据的无规律性、模型性以及数量的庞大，需要从中提取有用的信息，数据挖掘技术就是通过计算机手段，从上述数据中提取不确定的信息相关企业所用的一种方法。这里面包含了几点信息，就是数据源应该是大量且真实的，而寻找出的数据是对客户有用处的，能够为客户所接受的，具有一定的较强的实用价值。数据挖掘是一门交叉学科，它将对数据简单的低层次的应用提升到采用较高技术手段获取知识从而提供决策的支持。从商业角度来看，数据挖掘作为一种高效的信息化技术处理手段，能够对商业数据库中的大量数据进行有效的提取，从而辅助决策者做出可靠的判断，通过数据挖掘技术，能够提高企业的竞争力，为企业获得更高的利润。因此，数据挖掘在商业中的应用时也可以定义为按照企业的相关要求，对企业所拥有的大量数据信息进行分析，提取其中有用的信息，为企业提供相应的支持的技术。 2.2 数据挖掘的相关技术 数据挖掘应该具备发现与预测、关联规则挖掘、数据聚类、概念描述、偏差分析以及演变分析六个方面的功能，其过程首先是确定业务对象，然后进行数据准备，进行数据挖掘，最后对结果作出解释评价与可视化，常用的数据挖掘技术主要有以下几种： （1）统计类方法 统计学方法出现的时间较早，应用的范围也较广，主要通过相关分析法、回归分析法以及聚类分析法等对数据进行处理，方法较为简便，容易学习。 （2） 决策树和决策规则 决策树和决策规则方式是人工智能形式的归纳学习方法，通过将问题分解为若干个子集来进行分析，该方法是典型的通过逻辑模型进行输入的数据挖掘方法，该方法在处理非数值型的数据时具有很强的优越性。 （3）关联规则 关联规则是通过发现数据项间是否具有如果—那么的因果关系而对大量数据进行区分、寻找，当然，这种关系有可能是人为定义的而数据本身并不具备相应的特点，选取的数据间也不一定具有必须的因果关系或相关性，仅仅是为了选择具有一定的普适性。 （4）遗传算法 遗传算法是根据生物学中的相关理论而演变过来的一种数据挖掘方式，采用了生物学中的自然选择自然选择、遗传交叉以及遗传变异等设计方法，在分析过程中将问题假定为染色体，能够进行遗传，按照适者生存的法则，淘汰掉无法适应环境的染色体，继续进行交叉、变异，不断的往复，从而找到最适合环境的染色体，也即为我们需要的最优的数据解。遗传算法目前在图像处理、工业优化控制方面得到了广泛的应用。 （5）人工神经网络 人工神经网络是一种基于人体大脑神经连接、传递而演变的数学方法，神经网络可以看做是一个大型的运算模型，模型之间通过节点构成，每个节点代表一种特点的激励函数，而节点间的连接为权重，数据的最终输出成果与激励函数和权重有较大关系，一般通过对已有数据的学习，建立适合的逻辑表达，即输入数据与结果间的一种未知联系，从而构成神经网络系统，对其他大量的数据进行分析、预测，神经网络应用中学习样本数量越多，则其网络结构也越准确，预测结果也具有更大的可靠性。 （6）模糊逻辑 模糊分析是今年来发展起来的一种数据挖掘技术，以往的分类系统往往是根据确定的规则进行分类、决策，但实际中很多概念和数据都是不确定的，具有很强的模糊性，因此，在数学处理中引入假定的模糊逻辑，从而实现了对更高层次内容的抽象处理，其在对数据的初步分类中应用非常广泛，且具有较高的可靠性。 3 数据挖掘中的聚类分析技术 聚类分析是将数据对象依据样本间的关联的度量标准将数据进行分组为多个类或簇的数据挖掘技术，同一类中的样本相似，不同类的样本相异。将一组样本和一个度量两个样本间相似度的标准作为参数输入到聚类分析系统中，通过分