Grande application d'analyse de données, l'un des algorithmes classiques les plus populaires est la clustering, est une technologie importante pour exploiter les données et une technique importante pour exploiter les données. Qu'est-ce que l'analyse de la grappe? Quelle est l'utilisation de l'analyse de grappes? Quels sont les algorithmes de cluster? Demande d'analyse de grappes ... Ces problèmes peuvent trouver des avancées importantes pour exploiter de grandes données de données!

1. Qu'est-ce que l'analyse de la grappe?

L'analyse de la grappe fait référence à une variété de classes d'un ensemble d'objets physiques ou abstraits tels que plusieurs couches comprenant des objets similaires et leurs objectifs sont de collecter sur une base similaire. Les données sont classées.

Le cluster est similaire à la classification, mais différent de l'objectif catégorique et un ensemble de données est divisé en de nombreux types pour les données. Il appartient au même type de données très similaires, mais les données entre différents types sont de petites et de très faibles données croisées. La différence entre le regroupement et la paixJe suis aussi la classe requise par regroupement est inconnue.

II. L'importance de l'analyse de grappes

"L'objet est collecté et la personne est divisée en groupes", c'est le monde depuis des milliers d'années. Et la capacité de base et la capacité fondamentale dans la société sont une universalité, la question de base que la valeur des données importantes est le principal problème de la science cognitive est la "discipline disciplinaire".

Que ce soit la politique, l'économie, la littérature, l'histoire, la société, la culture ou les chiffres, les produits chimiques, les médecins agricoles, les transports, la géographie, la classe d'affaires de tous les étages ou micro-vietnamien micro, aucun résultat des résultats de Grande analyse de grappes de données, le principal problème de l'analyse et de l'exploitation des données est donc en clustering, qui est interdisciplinaire, croisé, croisement. Les grandes grappes de données sont les problèmes de base et universels de la science en profondeur dans les données.

ne peut pas être exagéré, si un algorithme en cluster ne comprend pas, ni sans "express" de "inférieurWings », nous sommes complètement complètement dans l'exploitation minière de données.

La science cognitive humaine doit être cassée, tout d'abord, des percées dans de grandes tabouret de tabouret de données, la clustering est la première étape d'excavation de la valeur des grandes données. Actifs.

III. Type d'algorithme de clustering

Comme un champ de recherche fonctionne dans des données d'exploitation, l'analyse de la grappe a de nombreux types d'algorithmes.

1. Basé sur l'algorithme de division de division
K-OFE: est un algorithme de clustering de division typique, représentant un cluster avec un centre de cluster, c'est-à-dire que le point de collecte est sélectionné dans le processus de répétition n'est pas nécessairement un point dans le cluster, ne peut gérer que les valeurs. Data
K-Modes: k-algorithme Extensions désigne une méthode de correspondance simple pour mesurer le même niveau de données de classification

K-prototypes: combinés avec des modes K et K, peut traiter des données HABRID k- Médoïds: Choisissez un point dans le processusRépétait comme un point de collecte, PAM est un algorithme typique K-Medoids Clara: algorithme, basé sur PAM, peut être échantillonné, traitement de données à grande échelle

clians: algorithme de nettoyer combinant les avantages de Pam et de Clara, Le premier algorithme de clustering pour les bases de données spatiales
axées sur Claran: l'utilisation de la technologie de l'indice spatial contribue à améliorer l'efficacité de l'algorithme Personnes Cleadorithm

PCM: La théorie du jeu floue introduit une analyse de clustering et des propositions d'algorithme de cluster FUZZY PCM

. Rock: Technologie Prise des échantillons aléatoires, l'algorithme est calculé lorsque les similitudes des deux objets, l'effet des objets environnants est considéré
Chemaloen: provoquant d'abord une carte voisine K-GK avec des données ARRESSInnel, après cette division de Meubles GKUn grand nombre de sous-graphes, chaque sous-figure donne un ensemble d'enfants d'origine d'origine et utilise enfin des algorithmes hiérarchiques montés pour répéter les sous-classes, trouvez des résultats réels

SBAC: algorithme SBAC, lors du calcul de la similitude de l'objet, envisagez les caractéristiques des propriétés. l'importance de refléter la nature de l'objet. Pour les propriétés reflétant la nature de l'objet, la valeur de la valeur

bouleau: algorithme de bouleau utilise la structure de l'arborescence pour gérer le jeu de données, les feuilles de fourche sont stockées ensemble, avec des performances entre le centre et le rayon, manipulent des objets séquentiels et Divisez-le sur le bouton le plus proche, les algorithmes peuvent être utilisés comme processus de pré-traitement d'autres algorithmes de clustering
Bulles: algorithme de bulles, centre et rayon d'algorithmes de bouleau sont étendus à l'espace de distance normal
Bubble-Fm: Bubble-Fm: Bubble-FM: L'algorithme FM améliore l'effet de l'algorithme de bulles comment réduire le calcul de la distance


3. Basé sur l'algorithme d'quaguration de la densité


DBSCAN: l'algorithme de dbscan est un algorithme de cluster typique basé sur une densité typique à l'aide d'indicateurs d'espace pour rechercher l'objet de voisinage, introduit des "objets de base" et "la densité peut être atteint "et d'autres concepts. À partir de l'objet principal, toute la densité peut être constituée d'un cluster
GDBSCAN: algorithme par la généralisation des quartiers de l'algorithme de Dbscan, afin de répondre aux caractéristiques de l'objet spatial
optique: algorithmes optiques: algorithmes optiques combiné à la clustering automatique et à une interaction unique, les marchandises combinées des nobles peuvent définir différents paramètres pour différentes clusters pour obtenir les résultats de la satisfaction des utilisateurs

FDC: algorithme FDC en construisant un arborescence KD pour diviser l'ensemble de l'espace de données en un certain nombre de Espace rectangulaire, peut améliorer considérablement la DBSCAN efficace

SCING SHINGE SO MULTI-RESOLUTIONS
WavecLustre: le principe de transformation de l'ondelettes est introduit dans l'analyse de grappes, principalement dans le domaine du traitement du signal. (Remarques: L'algorithme d'ondelettes est très important dans le traitement des signaux, des graphiques, du cryptage et des autres écoles, est une chose relativement élevée et une charge)

Clique: est un algorithme de regroupement combiné avec le filet et la densité

.

. . . 5. Sur la base de l'algorithme de neurones neurones neural: L'idée de base de cette méthode est - - - dans l'entrée extérieure, des échantillons différents dans des réseaux d'organisations artificielles auto-organisées lorsque l'échantillon d'entrée provoque l'emplacement des cellules faciles à stimuler différentes sorties, mais certaines populations mobiles sont formées Depuis l'organisation, Express MarketÉchantillons d'entrée, reflétant les fonctionnalités de l'exemple d'entrée 6. Basé sur l'algorithme de cluster Statistics de COBWeb: COBWeb est une méthode de cluster de concept général, montrant le niveau sous la forme de classe de classification d'arbres d'autoclass: en fonction du modèle de probabilité et de mélange de grappes qui peut Soyez décrit avec la probabilité de distribuer des attributs, il est possible de gérer les données hybrides, mais nécessite chaque attribut à une analyse indépendante indépendante en tant que détecteur d'analyse de visite. Au cours du processus de classification, les personnes ne doivent pas nécessairement fournir une norme de classification et d'analyse de cluster pouvant être automatiquement classées à partir des échantillons de données. Diverses conclusions sont souvent obtenues à l'aide des méthodes utilisées dans l'analyse des grappes. Différents chercheurs analysent les mêmes données de données, le nombre de grappes de collecte peut ne pas systématiquement. 4. Les applications d'analyse de grappes sont utilisées pour trouver la clientèle et différentes caractéristiques de différentes installations clients décrites en achetant des modèles. L'analyse de la grappe est uneOutil valide pour segment et peut également être utilisé pour étudier le comportement des consommateurs, trouver de nouveaux marchés potentiels, choisir le marché des tests et jouer un rôle de processus multi-analyse. 2. L'analyse de la grappes de commerce électronique est également un aspect important de l'exploitation des données de construction de sites Web dans le commerce électronique et avec un comportement de navigation Web similaire via des grappes de groupe. Clients et analyse des caractéristiques générales du client, une meilleure aide pour les utilisateurs de commerce électronique à comprendre leurs clients et à fournir des services plus appropriés aux clients. Les grandes données sont une existence objective d'âge du réseau. C'est un atout important de la société humaine dans le réseau. Cela a suscité de grandes difficultés pour la conscience de chacun, bien que les données actuelles aient un défi cognitif, mais des clusters deviendront une avancée majeure de la cognition de données, qui est la tendance à la lutte contre le développement.