R語言在數(shù)據(jù)挖掘中的應(yīng)用及其算法分析

王星

摘要；開源中的R語言具有很好的擴(kuò)展性，它具有可視算法及多種數(shù)據(jù)分析。該文將通過對于R語言中的相關(guān)算法和技術(shù)進(jìn)行分析，分析一些實際應(yīng)用案例，探討一下R語言中在數(shù)據(jù)挖掘中的優(yōu)勢。

關(guān)鍵詞：R語言；數(shù)據(jù)挖掘；算法

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）07-0209-02

現(xiàn)今很多企業(yè)都采用“用數(shù)據(jù)決策”，以及“用數(shù)據(jù)說話”等方式對自身的企業(yè)進(jìn)行改革以及轉(zhuǎn)變發(fā)展方向。但是利用傳統(tǒng)的數(shù)據(jù)隨機(jī)抽取、或是全樣抽取等數(shù)據(jù)收集方式，具有嚴(yán)重的實效差，已經(jīng)滿足不了人們對于信息需求的實時性，而且嚴(yán)重地影響了數(shù)據(jù)的準(zhǔn)確度。如何在大量的數(shù)據(jù)中收集到準(zhǔn)確度度較高的信息，是一個企業(yè)提高競爭力的重要內(nèi)容。

1在數(shù)據(jù)挖掘中的R語言技術(shù)

1.1Kmeans技術(shù)

Kmeans自定義算法編寫流程可以看圖1，先是進(jìn)行繪制p.kmeans相關(guān)的函數(shù)，之后就是對每個數(shù)據(jù)中的樣本設(shè)置相應(yīng)的id號，其中mid是中心數(shù)據(jù)，c.core主要就是對數(shù)據(jù)進(jìn)行集中分類。對于每個聚類的中心坐標(biāo)是用Mid.core函數(shù)進(jìn)行位置計算的，通過對多個中心進(jìn)行計算，如果每次的計算結(jié)果都是相同的，那么就停止進(jìn)行函數(shù)循環(huán)計算。否則就要繼續(xù)進(jìn)行計算，指導(dǎo)每個中線點(diǎn)值都是相同的。

1.2IGRAPH技術(shù)

IGRAPH常用于電商平臺和社交網(wǎng)站等平臺，它主要是將每個站點(diǎn)的圖片等相關(guān)信息進(jìn)行分析，然后獲得具有價值的數(shù)據(jù)決策。它是經(jīng)過對結(jié)點(diǎn)和線段進(jìn)行圖片構(gòu)建，然后給予兩者進(jìn)行賦值：比如對于線段的無方向權(quán)重，或是有向權(quán)重是多少。而且IGRAPH自身就具備多種圖片建設(shè)策略。比如圖1中的“隨機(jī)算法”可以將隨意兩點(diǎn)進(jìn)行連線，構(gòu)成圖片，對于圖片的生成也可以利用數(shù)據(jù)中“最小生成樹算法”，這樣可以構(gòu)成最小連線權(quán)重。其中將兩個結(jié)點(diǎn)的連線穿透到第三個結(jié)點(diǎn)可以使用“穿插算法”，對于那種帶方向的圖片，想要對兩個結(jié)點(diǎn)進(jìn)行連通就需要M指向N的必要條件作為支持，對于無方向的圖片，只有M與N是相互指向的才能稱為是連通的。在對圖片進(jìn)行創(chuàng)建是經(jīng)常使用的就是“最短路徑算法”，如果圖片中出現(xiàn)負(fù)數(shù)的權(quán)重值，那么就要使用Bellman-Ford這種算法，如果圖片中出現(xiàn)相同的權(quán)重值，或是值都是正數(shù)的話，就要用到Dijkstra這個算法。對大量的圖片進(jìn)行連線和結(jié)點(diǎn)處理，然后通過處理就可以得到所有圖片包含的信息。比如，一些圖片相關(guān)的連線與結(jié)點(diǎn)數(shù)量、圖片中結(jié)點(diǎn)之間的距離、圖片對稱程度、圖片的每個結(jié)點(diǎn)是否是孤立的、每個圖片相關(guān)結(jié)點(diǎn)分布等信息，都可以成為根據(jù)圖片特征進(jìn)行分類統(tǒng)計的依據(jù)，比如對圖片中的結(jié)點(diǎn)密集度，以及方向分布特征進(jìn)行分析，找出圖片之間的關(guān)聯(lián)性等。

1.3Holt-Winters技術(shù)

Holt-Winters是一種基于時間序列指數(shù)，屬于數(shù)據(jù)挖掘中的平常算法，它是指在某個時間段形成的趨勢數(shù)據(jù)，比如是數(shù)據(jù)的上升、保持以及下降等趨勢，通過這些數(shù)據(jù)我們可以分析一下未來數(shù)據(jù)的發(fā)展形勢。它的主要算法是通過一次和二次指數(shù)進(jìn)行平滑算法，然后與預(yù)測未來數(shù)據(jù)的走向。有關(guān)一次指數(shù)的平滑計算遞推關(guān)系為：mx=cbi+（1-c）mx-1，公式中的c表示的是平滑參數(shù)，而mx是表示x個數(shù)據(jù)中的平滑值，如果c的值接近1的話，那么計算出的數(shù)據(jù)結(jié)果就會越接近當(dāng)前值，通過兩次的指數(shù)確定，既可以對坐標(biāo)位置進(jìn)行記錄了，最后可以通過三次的指數(shù)累計對季節(jié)性數(shù)據(jù)的發(fā)展趨勢進(jìn)行保存，如果將三次數(shù)據(jù)進(jìn)行相乘，這樣所得到的數(shù)據(jù)信息就更加準(zhǔn)確了。

1.4Weka技術(shù)

在1992年的新西蘭關(guān)于一個機(jī)器人的項目中發(fā)展了Weka技術(shù)，其中涉及很多機(jī)器學(xué)習(xí)算法，還要很多圖片可視化環(huán)境編程，這為以后的編程人員學(xué)習(xí)提供了大量資源。首先，他可以通過知識流功能對相關(guān)多個數(shù)據(jù)進(jìn)行整合，其中有數(shù)據(jù)的初始化和處理、數(shù)據(jù)的關(guān)聯(lián)設(shè)置、數(shù)據(jù)的輸出和輸入、數(shù)據(jù)的回歸和分類、數(shù)據(jù)的可視化、以及數(shù)據(jù)的聚類和評估等操作，然后，就是實現(xiàn)用命令去執(zhí)行其他命令的功能。其中的數(shù)據(jù)初始化是對數(shù)據(jù)特征進(jìn)行分析的，賦予數(shù)據(jù)統(tǒng)一化的格式。其中將會用到的數(shù)據(jù)有Discretize（），Normalize（），他們分別是對離散型和標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行管理的。

Classifer是進(jìn)行數(shù)據(jù)分類的，它可以通過測試數(shù)據(jù)集、交叉校驗、訓(xùn)練數(shù)據(jù)集等方式對數(shù)據(jù)模型進(jìn)行建設(shè)，之后可以利用Result list所提供的可視化圖片檢查歷史的數(shù)據(jù)分類，然后就可以利用classifer輸出所要的分類結(jié)果，最后對結(jié)果進(jìn)行檢驗，這樣就可以看到錯誤和正確的分類數(shù)據(jù)信息，該過程有運(yùn)用到幾個算法：決策樹算法J48（）、提取源數(shù)據(jù)樣本Bagging（）、向量分類SMOO、相鄰分類IBk（）。對數(shù)據(jù)進(jìn)行聚類中相關(guān)的算法有：（1）Cobweb（）；是構(gòu)建聚類的，它通過查找與這個聚類相適應(yīng)的數(shù)據(jù)，對大型的數(shù)據(jù)庫是不適用的。（2）XMeans（）：屬于k均值優(yōu)化法，它主要是完成自定義類別數(shù)。（3）SimpleKMeans、FarthestEirst（）：屬于均值算法。（4）DBScan（）：主要是對數(shù)據(jù)庫中具有噪音的每種形狀進(jìn)行聚類。在數(shù)據(jù)聯(lián)系中最主要的算法是AprioH（），它是對少量數(shù)據(jù)進(jìn)行處理。Predict算法在評估和預(yù)測中是通過聚類和分類結(jié)果進(jìn)行新數(shù)據(jù)預(yù)測。Table（）主要是對每兩個對象實行比較，其中執(zhí)行評估和預(yù)估模型的算法是evaluate_Weka_dassifler（）。

2R語言在數(shù)據(jù)挖掘中的應(yīng)用分析

不管是在門戶網(wǎng)站、在線游戲網(wǎng)站、商務(wù)網(wǎng)站，還是社交網(wǎng)站，關(guān)于訪問網(wǎng)站的人群、訪問目的和時間、以及網(wǎng)站流量、跳出網(wǎng)站比例、網(wǎng)站投入產(chǎn)出比等都可以通過后期匯總進(jìn)行了解。這樣一來網(wǎng)站就可以為客戶進(jìn)行針對性的服務(wù)，同樣也可以幫助網(wǎng)站維護(hù)人員及時發(fā)現(xiàn)問題。

將搜集到的信息進(jìn)行再一次的詳細(xì)分類。這時就可以利用Analylics進(jìn)行專門的數(shù)據(jù)分析，他可以對流量的類型（免費(fèi)或付費(fèi)）和來源、推薦鏈接或是自主搜尋的流量等進(jìn)行詳細(xì)的報告，它還可以根據(jù)關(guān)鍵詞對數(shù)據(jù)進(jìn)行詳細(xì)分類報告，而且對搜索的關(guān)鍵詞頻率有著非常清晰的認(rèn)識。

對不同訪問網(wǎng)站的用戶進(jìn)行詳細(xì)分類。其中包含新用戶的增加率，以及老用戶的回訪率。同時還可以進(jìn)行自動創(chuàng)建用戶類別，不用通過用戶的學(xué)歷、行業(yè)、年齡性別等進(jìn)行分類。類別不同的比率對于開拓新市場有著很大的影響。

評估網(wǎng)站的有效流量。如果在不同的時間區(qū)間里訪問量是相同的，就需要分析流量的有效性了。有效信息就是老用戶的回訪量，以及多個用戶的新訪問量。通過這樣的分析將會對網(wǎng)站的宣傳決策具有很大的幫助。在R語言中有一種對質(zhì)量圖進(jìn)行控制的方法，它被稱為P控制圖，該方法主要用于具有分類的數(shù)據(jù)分析，通過“Yes/No”的方式進(jìn)行判斷，比如詢問在某時間區(qū)問是否有老用戶、流量是否是老用戶的回訪造成……當(dāng)控制圖完成后，將其表現(xiàn)的狀態(tài)對以上這些類型進(jìn)行比率判斷是否正常，如果有異常出現(xiàn)就需要找出關(guān)鍵問題。利用該方法時要有足夠多的數(shù)據(jù)作為支撐，關(guān)鍵問題是對于每組提供的數(shù)據(jù)記性上、下限設(shè)置。其中P圖的控制公式為：

分析用戶訪問目的。對于單一的網(wǎng)站訪問量來說，沒有較大的參考價值，比如放量為1萬次，既可以說是咨詢量，也可以說是購買量，兩者的分析結(jié)果迥然不同。所以，也要對客戶的訪問目的進(jìn)行分析，首先要對主要的訪問信息進(jìn)行分析，然后就是對搜索的關(guān)鍵詞進(jìn)行分析，通過對兩者進(jìn)行結(jié)合，最后進(jìn)行網(wǎng)站開設(shè)新服務(wù)或是改版等情況進(jìn)行合理決策。

對網(wǎng)站產(chǎn)出比實施分析。產(chǎn)出比就是流量成本和產(chǎn)生價值之間的比值，通過成本的控制，提高流量使用產(chǎn)生的最大價值。

3結(jié)束語

高效的數(shù)據(jù)采集工具，不僅需要較強(qiáng)的數(shù)據(jù)挖掘能力，還需要更有效的算法以及用戶體驗，而R語言不僅具有改進(jìn)后的多種數(shù)據(jù)挖掘方法以及工具包，還具有開源的特征，同時還提供了界面可視化、數(shù)據(jù)挖掘任務(wù)的執(zhí)行和定義等，這些都很大程度上簡化了編程操作。另外，R語言可以進(jìn)行腳本自定義來分析數(shù)據(jù)，還可以調(diào)用java語言以及C語言等。