R语言在数据挖掘中的应用及其算法分析

王星

摘要；开源中的R语言具有很好的扩展性，它具有可视算法及多种数据分析。该文将通过对于R语言中的相关算法和技术进行分析，分析一些实际应用案例，探讨一下R语言中在数据挖掘中的优势。

关键词：R语言；数据挖掘；算法

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）07-0209-02

现今很多企业都采用“用数据决策”，以及“用数据说话”等方式对自身的企业进行改革以及转变发展方向。但是利用传统的数据随机抽取、或是全样抽取等数据收集方式，具有严重的实效差，已经满足不了人们对于信息需求的实时性，而且严重地影响了数据的准确度。如何在大量的数据中收集到准确度度较高的信息，是一个企业提高竞争力的重要内容。

1在数据挖掘中的R语言技术

1.1Kmeans技术

Kmeans自定义算法编写流程可以看图1，先是进行绘制p.kmeans相关的函数，之后就是对每个数据中的样本设置相应的id号，其中mid是中心数据，c.core主要就是对数据进行集中分类。对于每个聚类的中心坐标是用Mid.core函数进行位置计算的，通过对多个中心进行计算，如果每次的计算结果都是相同的，那么就停止进行函数循环计算。否则就要继续进行计算，指导每个中线点值都是相同的。

1.2IGRAPH技术

IGRAPH常用于电商平台和社交网站等平台，它主要是将每个站点的图片等相关信息进行分析，然后获得具有价值的数据决策。它是经过对结点和线段进行图片构建，然后给予两者进行赋值：比如对于线段的无方向权重，或是有向权重是多少。而且IGRAPH自身就具备多种图片建设策略。比如图1中的“随机算法”可以将随意两点进行连线，构成图片，对于图片的生成也可以利用数据中“最小生成树算法”，这样可以构成最小连线权重。其中将两个结点的连线穿透到第三个结点可以使用“穿插算法”，对于那种带方向的图片，想要对两个结点进行连通就需要M指向N的必要条件作为支持，对于无方向的图片，只有M与N是相互指向的才能称为是连通的。在对图片进行创建是经常使用的就是“最短路径算法”，如果图片中出现负数的权重值，那么就要使用Bellman-Ford这种算法，如果图片中出现相同的权重值，或是值都是正数的话，就要用到Dijkstra这个算法。对大量的图片进行连线和结点处理，然后通过处理就可以得到所有图片包含的信息。比如，一些图片相关的连线与结点数量、图片中结点之间的距离、图片对称程度、图片的每个结点是否是孤立的、每个图片相关结点分布等信息，都可以成为根据图片特征进行分类统计的依据，比如对图片中的结点密集度，以及方向分布特征进行分析，找出图片之间的关联性等。

1.3Holt-Winters技术

Holt-Winters是一种基于时间序列指数，属于数据挖掘中的平常算法，它是指在某个时间段形成的趋势数据，比如是数据的上升、保持以及下降等趋势，通过这些数据我们可以分析一下未来数据的发展形势。它的主要算法是通过一次和二次指数进行平滑算法，然后与预测未来数据的走向。有关一次指数的平滑计算递推关系为：mx=cbi+（1-c）mx-1，公式中的c表示的是平滑参数，而mx是表示x个数据中的平滑值，如果c的值接近1的话，那么计算出的数据结果就会越接近当前值，通过两次的指数确定，既可以对坐标位置进行记录了，最后可以通过三次的指数累计对季节性数据的发展趋势进行保存，如果将三次数据进行相乘，这样所得到的数据信息就更加准确了。

1.4Weka技術

在1992年的新西兰关于一个机器人的项目中发展了Weka技术，其中涉及很多机器学习算法，还要很多图片可视化环境编程，这为以后的编程人员学习提供了大量资源。首先，他可以通过知识流功能对相关多个数据进行整合，其中有数据的初始化和处理、数据的关联设置、数据的输出和输入、数据的回归和分类、数据的可视化、以及数据的聚类和评估等操作，然后，就是实现用命令去执行其他命令的功能。其中的数据初始化是对数据特征进行分析的，赋予数据统一化的格式。其中将会用到的数据有Discretize（），Normalize（），他们分别是对离散型和标准化数据进行管理的。

Classifer是进行数据分类的，它可以通过测试数据集、交叉校验、训练数据集等方式对数据模型进行建设，之后可以利用Result list所提供的可视化图片检查历史的数据分类，然后就可以利用classifer输出所要的分类结果，最后对结果进行检验，这样就可以看到错误和正确的分类数据信息，该过程有运用到几个算法：决策树算法J48（）、提取源数据样本Bagging（）、向量分类SMOO、相邻分类IBk（）。对数据进行聚类中相关的算法有：（1）Cobweb（）；是构建聚类的，它通过查找与这个聚类相适应的数据，对大型的数据库是不适用的。（2）XMeans（）：属于k均值优化法，它主要是完成自定义类别数。（3）SimpleKMeans、FarthestEirst（）：属于均值算法。（4）DBScan（）：主要是对数据库中具有噪音的每种形状进行聚类。在数据联系中最主要的算法是AprioH（），它是对少量数据进行处理。Predict算法在评估和预测中是通过聚类和分类结果进行新数据预测。Table（）主要是对每两个对象实行比较，其中执行评估和预估模型的算法是evaluate_Weka_dassifler（）。

2R语言在数据挖掘中的应用分析

不管是在门户网站、在线游戏网站、商务网站，还是社交网站，关于访问网站的人群、访问目的和时间、以及网站流量、跳出网站比例、网站投入产出比等都可以通过后期汇总进行了解。这样一来网站就可以为客户进行针对性的服务，同样也可以帮助网站维护人员及时发现问题。

将搜集到的信息进行再一次的详细分类。这时就可以利用Analylics进行专门的数据分析，他可以对流量的类型（免费或付费）和来源、推荐链接或是自主搜寻的流量等进行详细的报告，它还可以根据关键词对数据进行详细分类报告，而且对搜索的关键词频率有着非常清晰的认识。

对不同访问网站的用户进行详细分类。其中包含新用户的增加率，以及老用户的回访率。同时还可以进行自动创建用户类别，不用通过用户的学历、行业、年龄性别等进行分类。类别不同的比率对于开拓新市场有着很大的影响。

评估网站的有效流量。如果在不同的时间区间里访问量是相同的，就需要分析流量的有效性了。有效信息就是老用户的回访量，以及多个用户的新访问量。通过这样的分析将会对网站的宣传决策具有很大的帮助。在R语言中有一种对质量图进行控制的方法，它被称为P控制图，该方法主要用于具有分类的数据分析，通过“Yes/No”的方式进行判断，比如询问在某时间区问是否有老用户、流量是否是老用户的回访造成……当控制图完成后，将其表现的状态对以上这些类型进行比率判断是否正常，如果有异常出现就需要找出关键问题。利用该方法时要有足够多的数据作为支撑，关键问题是对于每组提供的数据记性上、下限设置。其中P图的控制公式为：

分析用户访问目的。对于单一的网站访问量来说，没有较大的参考价值，比如放量为1万次，既可以说是咨询量，也可以说是购买量，两者的分析结果迥然不同。所以，也要对客户的访问目的进行分析，首先要对主要的访问信息进行分析，然后就是对搜索的关键词进行分析，通过对两者进行结合，最后进行网站开设新服务或是改版等情况进行合理决策。

对网站产出比实施分析。产出比就是流量成本和产生价值之间的比值，通过成本的控制，提高流量使用产生的最大价值。

3结束语

高效的数据采集工具，不仅需要较强的数据挖掘能力，还需要更有效的算法以及用户体验，而R语言不仅具有改进后的多种数据挖掘方法以及工具包，还具有开源的特征，同时还提供了界面可视化、数据挖掘任务的执行和定义等，这些都很大程度上简化了编程操作。另外，R语言可以进行脚本自定义来分析数据，还可以调用java语言以及C语言等。