機器學習在數據挖掘中的應用范文

本站小編為你精心準備了機器學習在數據挖掘中的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：在社會生產規模不斷擴大的背景下，數據挖掘對升級轉型產業結構發揮了重要作用，一般會利用機器學習方法達到操作目標。這種學習方法有效提升了操作水平，確保獲得更加穩定的數據。但傳統機器學習無法滿足需求，應不斷進行改進，才能達到發展需要。本文基于大數據、機器學習方法和數據挖掘內容，對機器學習的科學應用進行整體分析，希望可以獲得更加精準的數據。

關鍵詞：大數據；機器學習；數據挖掘

1引言

大數據具有種類繁多、容量巨大、處理速度飛快和價值密度低等特點。從搜索、存儲與處理數據等角度看，機器學習算法改進了數據集合，但傳統算法已無法挖掘大規模異構數據。因此，大數據時代全面研究數據挖掘中機器學習的應用，推動了我國信息社會的可持續發展。

2大數據、機器學習方法和數據挖掘

2.1大數據分析與管理數據是提升有效性的主要方法，但隨著數據類型與數量的不斷增加，一般的數據處理軟件無法滿足目前數據的特點。上述所說的數據集合就是大數據，其明顯超越了傳統存儲數據MB、GB的形式。為了決策過程中充分發揮數據保障作用，建立更加科學的決策系統，需要在計算數據過程中不斷優化處理數據方式。大數據具備豐富的數據類型與內容，通過微秒與毫秒的形式傳輸，體現了其快速的特性。另外，分類大數據的操作過程難度較大，需要有效排除影響因素，保證獲得真實、可靠的信息。

2.2機器學習方法機器學習包括多種方法。第一，回歸算法。它是產生其他算法的重要前提，包括線性與邏輯回歸兩種，前者主要解決數值問題，后者主要有效預測數字，這種方法還屬于分類算法，因此往往獲得離散分類的結果。第二，神經網絡。它的主要原理是全面研究與模擬大腦工作過程，通過多個處理單元形成若干個層次結構，共同組成邏輯架構，其操作原理是接收層獲取信號，隱藏層分解、處置數據，輸出層是合理整合最終的結果。此外，每一個存在于網絡的處理單元都可以認為是一個模型，存在于隱藏層的若干個神經網絡稱之為深度神經網絡，在這一基礎上開展的研究則是深度學習。第三，支持向量機。與神經網絡形成的生物背景相比，支持向量機擁有十分濃厚的數學成分。雖然方法自身僅是不斷增強邏輯回歸算法，但其可以和高斯函數有效融合，從高維空間成功映射低維空間，順利轉化線性分類技術。第四，聚類算法。它主要通過科學計算種群形成的距離，結合遠近程度，將其劃分為若干個族群。第五，降維算法。它的核心特點是將高維降至低維，研究證明這個方法能夠充分保存數據，有效壓縮數據，提高算法的操作水平，能夠可視化處理相關數據。第六，推薦算法。它是目前最流行的算法之一，大規模應用于電子商務，可結合有關購買情況自行推薦給人們最喜歡的東西。機器學習界存在大量算法，其中至關重要的是支持向量機和神經網絡算法。結合學習內容可將算法劃分為三種類型。第一，全方位的監督學習，指計算機通過環境得到信息知識，提示錯誤的判斷，并提供正確答案。監督學習主要是為了在整體學習中利用計算機積累經驗、提升技能，正確解答尚未學習的問題，如回歸、神經網絡和支持向量機等。第二，不會合理監督學習，即計算機在網絡中自行搜集、整理、篩選有價值的信息，但缺乏準確目標，主要包括聚類和降維。第三，不斷加強學習，在無任何環境指示的前提下，計算機可以正確評價預測的答案。

2.3數據挖掘數據挖掘可以更加全面地分析數據，科學總結發展規律，其中關鍵操作步驟是準備數據、搜尋規律和揭示規律。社會發展過程中，數據挖掘是最關鍵的內容，廣泛應用于電力、醫學和農業領域。當前，不斷強化數據挖掘需要基于大數據背景科學應用機器學習，不斷提升操作能力，推動數據挖掘操作的可持續發展[1]。

3利用機械學習的優勢

傳統機器學習算法中內容是關鍵，但保存數據過程中，TB和PB級數據已不能順利存儲于計算機。大數據處理時代背景下，大多數算法已無法達到數據挖掘的操作要求，因此只有通過不斷改進，才可以與當今發展要求高度契合[2]。機器學習算法中，人工神經網絡方法可以通過建立不同模型，體現魯棒性與描述功能，嚴格控制精度。大數據時代提高了機器學習的困難度，一方面由于持續發展的數據規模，另一方面由于多樣化的數據分布，傳統學習要求數據差生獨立分布，導致其不能全面發揮作用。因此，應積極優化算法，更好地開展數據挖掘操作。將機器學習應用于大數據處理，提升了分類性能，經過設計樣本密集區域的分類器，有效發揮作用。大數據時代，機器學習已成功打破概念學習的理念，緊跟時展的腳步，成為挖掘改善數據的關鍵渠道。

4科學分類任務

4.1分類利用訓練數據集開展機器學習，進一步獲得完善的分類模型，科學劃分與歸類帶有各種標簽類別的數據內容，從而順利達到劃分數據的目標。當前，神經網絡、KNN分類算法等已初步完成了分類算法。比如，科學分類訓練集過程中，科學預處置文本，利用傳統特征選擇或結合同義詞特點獲取向量特征空間，標識為文本向量，進而借助分類模型科學預測其結構[3]。

4.2回歸分析回歸分析具體指認真分析數據后，通過統計學方法整體詮釋變量與變量之間的關系，利用內部發展規律準確預測發展趨勢，采用神經網絡、線性回歸等科學建立數據模型。

4.3關聯通常具有事務型特點的數據之間有較強的關聯標準。全面挖掘這部分數據關系可獲得頻繁項集，科學預測一部分事務的概率。比如，apriori算法，已大規模應用于商業網絡領域。

4.4聚類借助于挖掘算法，在彼此不同的簇中科學聚集類型不同的數據對象，保證數據對象的高度相似，同時確保簇間若干數據對象的差異性，如k-means算法和神經網絡。

5實際應用人工神經網絡方法

擁有廣泛的應用范圍，可以高速處理數據并安排自主學習，通過實精準的識別進一步處理、分類數據。此外，可通過建模開展工作，擁有多樣的模型，以滿足不同需求。基于整體角度分析，這一方法的角度模型精致，魯棒性能極佳，描述能力較強。

5.1針對定位問題的建模建模具體是通過給予向量機定位最大支持，柵格化處置定位區域，且相對面積偏小的柵格可獨立作為一類區域。定位范圍內，整理測量擁有龐大規模的終端數據，通過計算機分析、處理測量報告，認真測量柵格距離度與準確度，預判移動終端柵格，最終實施求解操作[4]。

5.2收集與預處理數據以某城市周邊長為10km的正方形區域作為研究對象，其內部四個時間段短路檢測的四部分數據作為仿真數據，通過線測得的三部分數據為訓練數據，最后定位處理數據集。同時，為了確保定位方法的有效性，可有效篩選第四部分數據集定位，刪除10m以內的集中路測數據。另外，可對此正方形區域內部的全部基站編號，預處理有關數據后，成功轉化數據集內部的全部數據，并儲存于計算機內部[5]。

5.3初步實施定位復雜的移動終端定位計算與應用程度、區域定位面積之間的關系為正相關，逐步增大區域面積，將會產生更加復雜的回歸模型。科學定位移動終端需為計算函數提供大量參考建議，利用學習算法過程中，適當擴大區域定位范圍，有效提高定位與訓練過程中所需的復雜程度。圍繞基站的經緯度開展初步定位，相關操作如下。科學劃分邊長為10km的正方形，使其成為邊長為1km的小柵格。因為規定區域中，移動終端與服務區域內部基站之間的距離不會超出500m，所以1km邊長的柵格便是定位參考的核心區域，即定位學習算法過程中的定位范圍[6]。

5.4二次進行定位上述操作結束后，由于定位第一級支持向量機是400m范圍，第二級是輸出待定的100m柵格數據，因此需選取一個邊長為2km的正方形區域。與一級向量機的定位相比較，二級在計算定位的過程中不會產生較大的復雜度，如果獲得的分類和所有向量機都存在n個數據，就需要統一采取成對分類方法，科學處置大量分類問題。柵格的改變提高了定位精度，加大了分類總量，提高了定位復雜程度，計算總量時保證了定位于最小階段。

5.5三次開展定位首先需要明確定位區域的具體面積，其次結合數據有效確定邊長，最后利用K-近鄰法開展三次定位。此外，需具備整體訓練數據，科學選擇數據，以降低計算的復雜程度。但是，隨著選擇面積的逐步增大，定位準確性將逐漸降低。

6結語

隨著科學技術的飛速發展，數據挖掘技術逐步占據主導地位，其中機器學習的應用至關重要。作為一門涉及多個領域的知識學科，通過積極優化算法，可以不斷提高定位的準確性和速度。因此，有關人員必須給予有效關注，持續改進，全方位發揮應用優勢，爭取在大數據時代利用數據挖掘功能，幫助用戶成功解決定位終端問題。

參考文獻

[1]李成錄.大數據背景下機器學習算法的綜述[J].信息記錄材料,2018(5):4-5.

[2]楊尚林.基于機器學習的多源異構大數據清洗技術研究[D].南寧:廣西大學,2017:12.

[3]莫雪峰.機器學習算法在數據挖掘中的應用[J].科教文匯,2016(7):175-178.

[4]張棟,柯長青,余瞰.機器學習算法在ALOS影像分類中的應用研究[J].遙感信息,2016(3):26-29.

[5]陳曉燕.遺傳算法在數據挖掘中的應用[J].瓊州學院學報,2015(2):15-17.

[6]谷珊.大數據環境下機器學習算法趨勢研究[J].海峽科技與產業,2017(8):127-128.

作者：王旸 單位：陜西中醫藥大學