基于MS聚类分析模型的数据挖掘应用研究

本文分析了数据挖掘所具有的重要作用,简单介绍了MS聚类分析的现状,并对MS聚类分析的数据挖掘应用模型及建构数据挖掘体系的方法进行了探讨。     

基于SOM神经网络的聚类方法研究

聚类分析是由若干个模式组成的,它在数据挖掘中的地位越来越重要。通过数据挖掘聚类分析,可以及时了解各地区经济实力等重要的信息,对各级政府政策制定上及宏观调控上都具有非常重要的现实意义。     

基于聚类融合的聚类分析方法研究

聚类分析是一个正在蓬勃发展的领域,具有非常重要的理论价值和极其广泛的应用领域。作为聚类分析的一个新兴分支,聚类融合已经成为当前数据挖掘和机器学习领域的研究热点之一。本文对聚类融合方法进行了综述,介绍了近几年聚类融合方法研究的主要内容,并讨论了聚类融合方法未来的发展方向。     

改进的k-means聚类算法在客户细分中的应用研究

聚类分析是数据挖掘的一种重要方法,将它应用在客户细分中,可以识别出不同的客户群,从而针对不同的客户群制定相应的营销政策,使企业效益最大化。针对聚类分析中k-means算法的不足,运用改进的聚类算法对旅游业客户进行细分,从而使企业能够更合理地细分、规划客户群组,针对不同需求的客户群体进行区别对待,得到了较好的效果,验证了改进算法的可行性和高效性。     

改进的k-means聚类算法在客户细分中的应用研究

聚类分析是数据挖掘的一种重要方法,将它应用在客户细分中,可以识别出不同的客户群,从而针对不同的客户群制定相应的营销政策,使企业效益最大化.针对聚类分析中k-means算法的不足,运用改进的聚类算法对旅游业客户进行细分,从而使企业能够更合理地细分、规划客户群组,针对不同需求的客户群体进行区别对待,得到了较好的效果,验证了改进算法的可行性和高效性.     

数学方法在数据挖掘聚类中的应用研究

聚类是数据挖掘中的重要研究领域。实现数据挖掘中聚类,有很多种不同的方法,其中基于数学的方法在聚类中发挥着重要的作用。有关聚类的数学方法有:模糊聚类方法、灰色趋势关联聚类、基于区间值的聚类方法。本文分别从方法解决的问题、适用条件、优缺点及其改进方法角度对这几种方法进行了分析和对比,以此体现数学方法对数据挖掘的重要性。     

基于数据挖掘的中小微企业信贷评估决策研究

以中小微企业为研究对象,基于有信誉记录的中小微企业数据,通过K-means算法对企业的经济实力做聚类分析,构建风险系数衡量指标并进行回归分析,构建有信誉记录的信贷决策模型.基于无信誉记录的中小微企业数据,根据企业票据交易关系用聚类方法为企业分类,通过回归方程计算负票占有率、金额变动值和重复成交率之间的关系,对企业借贷能力进行评分,构建无信誉借贷决策模型,并在此模型基础上,通过回归方程对突发因素情况下企业有效利润进行计算,从而对企业借贷能力进行评分,构建突发因素无信誉借贷决策模型,为各类信贷机构的贷款策略提供参考.     

基于数据挖掘的关联规则研究

关联规则算法的研究在数据挖掘算法的研究中占有相当重要的地位。关联规则算法的核心是基于两阶段频繁记得Apriori算法，但随着对关联规则研究的深入，基于支持度和可信度的Apriori算法越来越不能适应实际情况，兴趣度的引入也就水到渠成。虽然兴趣度的引入一定程度上解决了用户感兴趣而Apriori算法无法生成的规则，但无法解决组合爆炸和规则丢失等问题。目前一种自动设置支持度最小值的基于可信度和支持度的模型基本解决了上述问题。     

数据挖掘在电子商务系统中的应用

电子商务数据挖掘与传统商业领域中的数据挖掘相比,具有便于客户掌握更多的动态信息、有助于形成完整信息化的基础、有利于企业形象的发展等独特性.可通过设计网站、优化页面,分析客户、驻留客户,制定方案、策略营销,比较服务、个性化推荐,适应需求、交叉销售等途径加强数据挖掘在电子商务系统中的应用.     

数据挖掘在交叉销售中的应用

简要介绍了交叉销售通过共享客户资源，基于CRM数据库，利用数据挖掘技术来分析利用客户信息资源，并对其中的关联分析和聚类分析技术作了详细的分析介绍，为交叉销售的实施提供了具有可行性的技术支持。     

西部地区基本公共服务省际差异研究——基于因子分析与聚类分析模型的初探

近年来,基本公共服务均等化一直是学者研究的热点问题,西部地区基本公共服务均等化问题更是学界研究的焦点和难点.目前,西部12省区仅有新疆的基本公共服务供给高于全国平均,陕西、内蒙古、重庆3省处于全国水平,而其余8省与全国平均水平还有相当大的差距,同时西部省际之间的分化亦十分显著.西部地区迫切需要在追求经济发展的同时,增强政府提供公共服务的能力,改变基本公共服务的严重不均衡状况.因此,大力加强西部地区公共服务供给的财政保障机制和全国公共服务供给的政府与社会分担机制的构建,全力促进西部地区的经济发展,打破区域经济非均衡发展的恶性循环,从根本上实现全民范围内的基本公共服务均等化目标,是当务之急.     

基于粗糙集属性约简的数据挖掘技术

粗糙集理论（Rough Set）是波兰学者Z.PAWLAK提出的一种新的软计算方法，它在处理含噪声、不完整、不精确的信息方面具有独特的能力，已成为数据挖掘技术的一个主要方法，在许多科学与工程领域中得到了广泛的应用。本文着重介绍粗糙集的基本思想，并以一个具体的属性约简算法和实例介绍了它在数据挖掘，特别是在数据浓缩和规则提取中的应用。     

基于聚类分析的顾客满意度实证研究

随着电信行业的发展,客服中心的服务质量直接影响到顾客对客服中心的满意度,而顾客对客服中心的满意程度又会在很大程度上影响到顾客对该企业的忠诚度及企业的品牌性。因此研究顾客对客服中心的满意程度具有非常重要的意义。     

数据挖掘方法在政治风险评估中的应用研究

2008年金融危机过后,中国企业将很有可能进入另一波海外收购的浪潮。然而以往的失败案例为中国企业开展海外投资敲响了警钟。基于此背景,应用K-means聚类方法,提取国家透明组织2007年CPI(Corruption Perceptions Index)数据和世界银行2007年"良好政府"(good government)数据,运用两次聚类方法,得出了50个存在高政治风险的国家列表。同时采用2007年的FDI对该列表进行了进一步的检验。此列表可供"走出去"的中国企业作为参考。     

基于聚类分析法的韶关地区经济发展评价

地区的经济发展水平受到地理环境、历史条件和经济基础等各种因素的影响,本文通过sas统计软件运用聚类分析对韶关地区各县市的经济发展的历史水平进行综合分析,并得出相应的统计分析结果,这对制订地区经济政策与协调地区之间的经济发展具有现实的政策意义.     

基于聚类分析法的韶关地区经济发展评价

地区的经济发展水平受到地理环境、历史条件和经济基础等各种因素的影响,本文通过sas统计软件运用聚类分析对韶关地区各县市的经济发展的历史水平进行综合分析,并得出相应的统计分析结果,这对制订地区经济政策与协调地区之间的经济发展具有现实的政策意义.     

基于K-means聚类和相对估值法的选股研究

当前机器学习热度不减,得益于机器学习在多领域的广泛应用,许多经典问题有了新的解决思路。针对量化选股问题,将价值投资中的公司相对估值法与机器学习中的K-means聚类算法相结合,构建一种简便易操作的选股策略,并选取2015—2019年数据进行实证分析。结果表明2015—2019年策略组合的回报率均优于基准指数(上证50、沪深300)的回报率。     

浅谈文本聚类研究

针对传统聚类算法在确定聚类类别数方面所存在的问题:无先验知识所导致的盲目性以及繁杂统计指标的难理解性,提出一种基于SOM的可视化聚类算法.VC-SOM,利用SOM网络数据集的聚簇分布特征.进而确定聚类类别数.并进行了仿真研究,获得了较满意的结果.     

模糊聚类和传统聚类分析在证券市场应用上的比较

为探究模糊聚类分析方法在证券投资中是否是一种比传统聚类更有效的指导方法,以16家上市银行为研究对象,分别采用模糊聚类和传统聚类方法对选取的10个重要财务指标进行分析,然后对报告期后三个月各银行股的收盘价按分类结果进行风险和收益分析.结果发现,传统聚类分析中的4种分类方法分类效果欠佳,不能满足特定风险类型投资者的投资要求;而模糊聚类分析的分类结果能满足不同风险偏好投资者的投资要求,减少特定风险类型投资者的选股范围.为获得比较符合客观实际的分类结果和避开在多种传统聚类方法中进行选择,建议投资者采用考虑样本间关联的模糊聚类分析方法对股票进行分析.     

数据挖掘在证券交易系统分析中的应用

本文以沪深证券市场的公开数据和部分实时券商交易数据为基础,应用数学集合论、博弈学习论和金融微观结构理论与计算机信息系统相关概念,提出了金融市场数据挖掘的合并算法,并分别讨论了数据挖掘在序列模式、关联分析、聚类分析、偏差检测、进化遗传模拟五方面的应用。