Войти в мой кабинет
Регистрация
ГОТОВЫЕ РАБОТЫ / РЕФЕРАТ, ТОРГОВОЕ ДЕЛО

Построение модели и кластерезация бесконтактной идентификации в торговле.

cool_lady 210 руб. КУПИТЬ ЭТУ РАБОТУ
Страниц: 21 Заказ написания работы может стоить дешевле
Оригинальность: неизвестно После покупки вы можете повысить уникальность этой работы до 80-100% с помощью сервиса
Размещено: 20.03.2021
Реферит на тему: "Построение модели и кластерезация бесконтактной идентификации в торговле."
Введение

В настоящее время, группу способов и алгоритмов, применяемых для автоматической классификации полученных данных, принято называть кластерным анализом. Кластерный анализ дает возможность рассматривать довольно большой объем информации и классифицировать его, согласно предлагаемым условиям и целям исследования. Кластерный анализ обширно используется в различных сферах и отраслях науки таких как: биология, химия, математика, информатика, статистика, медицина и почти во всех других. В общеобразовательных школах, высших учебных заведениях имеются специалисты, использующие в своей работе элементы кластерного анализа. За счет этого, используя математический аппарат кластерного анализа можно проследить динамику уровня образования, количество успевающих и отстающих, занятие в каких либо кружках или секциях.
Содержание

ВВЕДЕНИЕ 3 Математическая модель кластерного анализа. 4 Применение кластерного анализа и использование программных средств для решения практических задач. 6 Заключение 19 СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ. 21
Список литературы

1. Воронцов К.В.Алгоритмы кластеризации и многомерного шкалирования. Курс лекций. МГУ, 2007. 2. Котов А., Красильников Н.Кластеризация данных. 2006. 3. Прикладная статистика: классификация и снижение размерности. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин — М.: Финансы и статистика, 1989. 4. Информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных —www.machinelearning.ru
Отрывок из работы

Математическая модель кластерного анализа. Систематизацией, предшествовавшей кластеризации, общество занималось с древнейших времен. Невзирая на это, усилия чтобы упорядочить процесс систематизации почти никак не предпринимались вплоть до 19 столетия. Первая и, наверное, более существенная причина – это интенсивное формирование и развитие вычислительной техники. При присутствии точного математического метода, который может быть переведен в программный код, Электронная вычислительная машина (ЭВМ) может справиться с некоторыми задачами намного быстрее чем человек и со значительно меньшими затратами. Процедура автоматизации и компьютеризации коснулась многих сфер человеческой жизнедеятельности и никак не мог не коснуться вопросов умственной обработки данных. Непосредственно кластерный анализ без ЭВМ во многом утрачивает свое значение, поэтому развитие вычислительной техники возможно рассматривать как причиной, так и средством развития этой дисциплины. Другой главной предпосылкой считается усиление знаний об окружающем нас мире и потребность в наиболее подробном изучении данных знаний. Число информации о предметах и явлениях современного мира нередко доходит до таких объемов, что для человека правильно будет осуществлять их систематизацию, с учетом всех параметров, становится проблематично. При данных обстоятельствах кластерные методы намного правильнее подходят для данной задачи, потому что готовы в достаточной мере, моментально осуществлять сортировку объектов, принимая во внимание все без исключения нужные характеристики, описанные в этом методе. И, в конечном итоге, третьей предпосылкой можно назвать резкое увеличение стремительности и объемов прибывающей информации. Нередко, люди попросту на физическом уровне не могут рассматривать информацию в темпе их поступления. Таким образом, к примеру, регулярно меняющиеся данные о котировках акций на фондовых биржах просто не может быть воспринятыми довольно моментально и быстро без её предварительной обработки и приведения к виду, удобного для человека (графики, таблицы). Это приводит к непрерывному накапливанию информации, какие, вероятно, никогда в жизни не будут рассмотрены. В подобных обстоятельствах автоматическое объединение и сокращение данных делаются весьма значительными. Формирование кластерного анализа происходило, в главном из-за множественных изданий в научных журналах и газетах. Первоначальные подобные публикации согласно иерархическим способам возникли в начале 50-х годов. Однако более интенсивное формирование кластеризация приобрела в 60-70-х годах 20-го столетия. Данный период можно охарактеризовать как « Золотой век » кластерного анализа. Хроника кластерного анализа насчитывает меньше 100 лет, однако он уже успел стать неотделимой частичкой процедуры переработки информации в многочисленных науках и иных сферах людской жизнедеятельности. Столь интенсивное формирование систематизации находится в связи с увеличением вычислительной техники и её повседневном использовании. В нехватке такого рода техники цель кластерного анализа - автоматизирование процесса сортировки объектов – утрачивает свое значение. Вероятно, именно поэтому все работы в этом направлении совсем не проводились до последнего столетия. Кластерный анализ формировался в тесной связи с иными предметами, но, однако, многочисленные его методы и способы обладают довольно общим видом и требуют доработки с целью использования к определенным задачам. Можно отметить, что кластерный анализ имеет «математическое ядро», состоящее из математических алгоритмов и формул, и «оболочку» включающую в себя особенности использования этих методов к определенным задачам. ? Применение кластерного анализа и использование программных средств для решения практических задач. Кластерный анализ используется почти во всех областях науки и человеческой жизнедеятельности. Впервые он был использован в биологии. Как говорилось раньше, огромный вклад в это внесли Р.Сокэл и П. Снит, продвинувшие мысль об употреблении математических методов для исследования и систематизации предметов окружающего мира. Он может быть полезен, когда необходимо систематизировать информацию огромного размера. Анализ большинства экспериментов, проводимых с помощью кластерного анализа, дал Хартиган (Hartigan, 1975). Кластерный анализ применим даже в медицине, например это систематизация болезней, лечение болезней или их симптомов, и таксономия пациентов, лекарств и так далее. В археологии это систематизация каменных сооружений, памятников и древнейших объектов и так далее . В маркетинге это может быть задача сегментации конкурентов и потребителей. В менеджменте примером задачи кластеризации будет разбиение персонала на различные группы, классификация потребителей и поставщиков, выявление схожих производственных ситуаций, при которых возникает брак. В медицине - классификация симптомов. Теперь возникает вопрос устойчивости принятого кластерного решения. По сути, проверка устойчивости кластеризации сводится к проверке её достоверности. Здесь существует эмпирическое правило — устойчивая типология сохраняется при изменении методов кластеризации. Результаты иерархического кластерного анализа можно проверять итеративным кластерным анализом по методу k-средних. Если сравниваемые классификации групп респондентов имеют долю совпадений более 70 % (более 2/3 совпадений), то кластерное решение принимается. Проверить адекватность решения, не прибегая к помощи другого вида анализа, нельзя. По крайней мере, в теоретическом плане эта проблема не решена. В классической работе Олдендерфера и Блэшфилда «Кластерный анализ» подробно рассматриваются и в итоге отвергаются дополнительные пять методов проверки устойчивости: -кофенетическая корреляция — не рекомендуется и ограниченна в использовании; - тесты значимости (дисперсионный анализ) — всегда дают значимый результат; - методика повторных (случайных) выборок, что, тем не менее, не доказывает обоснованность решения; - тесты значимости для внешних признаков пригодны только для повторных измерений; - методы Монте-Карло очень сложны и доступны только опытным математикам. В маркетинговых исследованиях кластерный анализ применяется достаточно широко - как в теоретических исследованиях, так и практикующими маркетологами, решающими проблемы группировки различных объектов. При этом решаются вопросы о группах клиентов, продуктов и т.д. Так, одной из наиболее важных задач при применении кластерного анализа в маркетинговых исследованиях является анализ поведения потребителя, а именно: группировка потребителей в однородные классы для получения максимально полного представления о поведении клиента из каждой группы и о факторах, влияющих на его поведение. Эта проблема подробно описана в работах Клакстона, Фрая и Портиса (1974), Киля и Лэйтона (1981). Важной задачей, которую может решить кластерный анализ, является позиционирование, т.е. определение ниши, в которой следует позиционировать новый продукт, предлагаемый на рынке. В результате применения кластерного анализа строится карта, по которой можно определить уровень конкуренции в различных сегментах рынка и соответствующие характеристики товара для возможности попадания в этот сегмент. С помощью анализа такой карты возможно определение новых, незанятых ниш на рынке, в которых можно предлагать существующие товары или разрабатывать новые. Кластерный анализ также может быть удобен, например, для анализа клиентов компании. Для этого все клиенты группируются в кластеры, и для каждого кластера вырабатывается индивидуальная политика. Такой подход позволяет существенно сократить объекты анализа, и, в то же время, индивидуально подойти к каждой группе клиентов. Кластерный анализ так же применим и в информатике: Кластеризация результатов поиска— используется для «интеллектуальной» группировки результатов при поискефайлов,веб-сайтов, другихобъектов, предоставляяпользователювозможность быстрой навигации, выбора заведомо болеерелевантногоподмножества. Clusty— кластеризующая поисковая машина компании Vivisimo Nigma— российскаяпоисковая системас автоматической кластеризацией результатов Quintura— визуальная кластеризация в видеоблака ключевых слов Сегментация изображений(англ.image segmentation) — кластеризация может быть использована для разбиения цифрового изображения на отдельные области с цельюобнаружения границ(англ.edge detection) илираспознавания объектов. Интеллектуальный анализ данных(англ.data mining) — кластеризация в Data Mining приобретает ценность тогда, когда она выступает одним из этапов анализа данных, построения законченного аналитического решения. Аналитику часто легче выделить группы схожих объектов, изучить их особенности и построить для каждой группы отдельную модель, чем создавать одну общую модель для всех данных. Таким приемом постоянно пользуются в маркетинге, выделяя группы клиентов, покупателей, товаров и разрабатывая для каждой из них отдельную стратегию. Для решения практических задач часто используются такие программы какStatisticaиExcel. Рассмотрим процедуру решения практических задач кластерного анализа в программеSTATISTICA. Задачей кластерного анализа является организация наблюдаемых данных в наглядные структуры. Для решения данной задачи в кластерном анализе используются следующие методы:Joining (tree clustering) (иерархические агломеративные методы или древовидная кластеризация),K - means clustering(метод К средних),Two-way joining(двувходовое объединение). Рассмотрим процесс формирования выборок в системе STATISTICA. 1. Среди переключателей модуляSTATISTICAнужно открыть модульCluster Analysis(Кластерный Анализ). Высветите название модуля и далее нажать кнопкуSwitch to(Переключиться в) либо просто дважды щелкнув мышью по названию модуляCluster Analysis. 2. На экране появится стартовая панель модуля (рис.1.2)Clustering Method(методы кластерного анализа):Joining (tree clustering) (иерархические агломеративные методы или древовидная кластеризация),K - means clustering(метод К средних),Two-way joining(двувходовое объединение). Рисунок 1.2 Стартовая панель модуляClustering Method(методы кластерного анализа) Joining (tree clustering) (иерархические агломеративные методы). 1. Откроем файл (Open Data). После выбораJoining(tree clustering) и нажатия кнопки ОК появляется окноCluster Analysis: Joing (Tree Clustering) (окно ввода режимов работы для иерархических агломеративных методов) (рис. 1.3), в котором кнопкаVariablesпозволяет выбрать переменные участвующие в классификации. Нажмем на кнопкуVariablesи выберем все переменныеSelect All. После соответствующего выбора и нажмем кнопку OK Рисунок 1.3 Cluster Analysis: Joing (Tree Clustering) (окно ввода режимов работы для иерархических агломеративных методов) Также можно задатьInput(тип входной информации) иCluster(режим классификации (по признакам или объектам)). Можно указатьAmalgamation (linkage) rule(правило объединения) иDistance measure(метрика расстояний).Codes for grouping variable(коды для групп переменной) будут указывать количество анализируемых групп объектов.Missing data(пропущенные переменные) позволяет выбрать либо построчное удаление переменных из списка, либо заменить их на средние значения.Open Data- позволяет открыть файл с данными. Причем можно указать условия выбора наблюдений из базы данных - кнопкаSelect Cases. Можно задавать веса переменным, выбрав их из списка - кнопкаW. 2. После задания всех необходимых параметров и нажатия кнопки ОК будут произведены вычисления, а на экране появится окно, содержащее результаты кластерного анализа "Joining Results" рис.1.4.
Не смогли найти подходящую работу?
Вы можете заказать учебную работу от 100 рублей у наших авторов.
Оформите заказ и авторы начнут откликаться уже через 5 мин!
Похожие работы
Реферат, Торговое дело, 8 страниц
33 руб.
Реферат, Торговое дело, 27 страниц
324 руб.
Реферат, Торговое дело, 27 страниц
150 руб.
Реферат, Торговое дело, 12 страниц
120 руб.
Служба поддержки сервиса
+7(499)346-70-08
Принимаем к оплате
Способы оплаты
© «Препод24»

Все права защищены

Разработка движка сайта

/slider/1.jpg /slider/2.jpg /slider/3.jpg /slider/4.jpg /slider/5.jpg