Клименко А.В., Слащев И.С.
КЛАСТЕРНЫЙ АНАЛИЗ ДАННЫХ *
Аннотация:
в данной статье проанализированы основные аспекты кластерного анализа больших объемов данных при помощи различных методов, их сравнения и выделения наиболее эффективного
Ключевые слова:
кластерный анализ, кластеры, иерархические методы
В последнее время, производя анализ и прогнозирование социальноэкономических явлений, специалисты сталкиваются с многомерностью их описания. Это свойство данных проявляется при сегментировании рынка, прогнозировании конъюнктуры рынка различных товаров, при выстраивании типология стран по довольно большому числу критериев или при детальном изучении экономической депрессии. Говоря о кластерном анализе, принято определять его как один из методов многомерной статистики, который отражает черты многомерности процедуры классификации каких-либо объектов. Кластерный анализ используется для разбиения множества исследуемых объектов на группы, которые безукоризненно характеризуются определенной совокупностью признаков. Выделив такие компактные, удаленные друг от друга группы объектов или совокупность области их скопления, происходит разбиение объектов на однородные кластеры. Такой анализ непосредственно связан со статистическими исследованиями социально-экономических процессов, которые в свою очередь определяют ход изучения массовых явлений. Кластерный анализ отличается от многих других математико-статистических способов разбиения. Он не накладывает ограничения на изучаемые объекты, а позволяется рассматривать большое количество исходных данных различного природного происхождения. Например, данный метод широко используется при прогнозировании конъюнктуры рынка, где традиционные экономические подходы являются неэффективными из-за разнообразных показателей прогнозирования. Немаловажную роль кластерный анализ играет при исследовании временных рядов, которые характеризуют экономическое развитие в целом. При этом выделяются периоды, когда значения показателей достаточно близки друг к другу или определяются группы показателей со схожей динамикой во времени. Недостатком кластерного анализа является то, что состав и количество кластеров определенно зависит от выбранного критерия разбиения. Когда происходит сведение исходного массива данных к более компактному виду, то возникают некие искажения данных, происходит потеря индивидуальных черт отдельных объектов из-за замены их характеристик на обобщенные значения параметров кластера. Кластеры обладают следующими свойствами: 1) плотность распределения наблюдений внутри кластера. Оно позволяет определить «наполнённость» кластера. Одним из удачных показателей плотности и компактности многомерных наблюдений является дисперсия расстояния от центра кластера до отдельных точек. Чем меньше дисперсия расстояния, тем больше плотность кластера и его расстояние наблюдения становится ближе к центру самого кластера. 2) размер кластера, где «радиус» является основным показателем этого размера. Если кластер обладает шарообразной формой или является гиперсферой в многомерном пространстве, то это говорит о полном отражении фактического размера кластера. 3) локальность или отделимость кластеров, характеризующая степень перекрытия и взаимной удаленности кластеров друг от друга в многомерном пространстве, то есть здесь целесообразно объединять наиболее близкие кластеры друг к другу или их перекрывающие части.
Номер журнала Вестник науки №1 (10) том 1
Ссылка для цитирования:
Клименко А.В., Слащев И.С. КЛАСТЕРНЫЙ АНАЛИЗ ДАННЫХ // Вестник науки №1 (10) том 1. С. 159 - 163. 2019 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/783 (дата обращения: 19.04.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2019. 16+