機器學習算法在數(shù)據(jù)挖掘中的應(yīng)用

摘 要隨著科學技術(shù)的快速發(fā)展，各種新鮮的事物和理念得到了廣泛的應(yīng)用。其中機器學習算法就是一則典型案例——作為一種新型的算法，其廣泛應(yīng)用于各行各業(yè)之中。本篇論文旨在探討機器學習算法在數(shù)據(jù)挖掘中的具體應(yīng)用，我們利用龐大的移動終端數(shù)據(jù)網(wǎng)絡(luò)，加強了基于GSM網(wǎng)絡(luò)的戶外終端定位，從而提出了3個階段的定位算法，有效提高了定位的精準度和速度。

【關(guān)鍵詞】學習算法 GSM網(wǎng)絡(luò) 定位 數(shù)據(jù)

移動終端定位技術(shù)由來已久，其主要是利用各種科學技術(shù)手段定位移動物體的精準位置以及高度。目前，移動終端定位技術(shù)主要應(yīng)用于軍事定位、緊急救援、網(wǎng)絡(luò)優(yōu)化、地圖導航等多個現(xiàn)代化的領(lǐng)域，由于移動終端定位技術(shù)可以提供精準的位置服務(wù)信息，所以其在市場上還是有較大的需求的，這也為移動終端定位技術(shù)的優(yōu)化和發(fā)展，提供了推動力。隨著通信網(wǎng)絡(luò)普及，移動終端定位技術(shù)的發(fā)展也得到了一些幫助，使得其定位的精準度和速度都得到了全面的優(yōu)化和提升。同時，傳統(tǒng)的定位方法結(jié)合先進的算法來進行精準定位，目前依舊還是有較大的進步空間。在工作中我選取機器學習算法結(jié)合數(shù)據(jù)挖掘技術(shù)對傳統(tǒng)定位技術(shù)加以改進，取得了不錯的效果，但也遇到了許多問題，例如：使用機器學習算法來進行精準定位暫時無法滿足更大的區(qū)域要求，還有想要利用較低的設(shè)備成本，實現(xiàn)得到更多的精準定位的要求比較困難。所以本文對機器學習算法進行了深入的研究，希望能夠幫助其更快速的定位、更精準的定位，滿足市場的需要。

1 數(shù)據(jù)挖掘概述

數(shù)據(jù)挖掘又名數(shù)據(jù)探勘、信息挖掘。它是數(shù)據(jù)庫知識篩選中非常重要的一步。數(shù)據(jù)挖掘其實指的就是在大量的數(shù)據(jù)中通過算法找到有用信息的行為。一般情況下，數(shù)據(jù)挖掘都會和計算機科學緊密聯(lián)系在一起，通過統(tǒng)計集合、在線剖析、檢索篩選、機器學習、參數(shù)識別等多種方法來實現(xiàn)最初的目標。統(tǒng)計算法和機器學習算法是數(shù)據(jù)挖掘算法里面應(yīng)用得比較廣泛的兩類。統(tǒng)計算法依賴于概率分析，然后進行相關(guān)性判斷，由此來執(zhí)行運算。

而機器學習算法主要依靠人工智能科技，通過大量的樣本收集、學習和訓練，可以自動匹配運算所需的相關(guān)參數(shù)及模式。它綜合了數(shù)學、物理學、自動化和計算機科學等多種學習理論，雖然能夠應(yīng)用的領(lǐng)域和目標各不相同，但是這些算法都可以被獨立使用運算，當然也可以相互幫助，綜合應(yīng)用，可以說是一種可以“因時而變”、“因事而變”的算法。在機器學習算法的領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)是比較重要和常見的一種。因為它的優(yōu)秀的數(shù)據(jù)處理和演練、學習的能力較強。

而且對于問題數(shù)據(jù)還可以進行精準的識別與處理分析，所以應(yīng)用的頻次更多。人工神經(jīng)網(wǎng)絡(luò)依賴于多種多樣的建模模型來進行工作，由此來滿足不同的數(shù)據(jù)需求。綜合來看，人工神經(jīng)網(wǎng)絡(luò)的建模，它的精準度比較高，綜合表述能力優(yōu)秀，而且在應(yīng)用的過程中，不需要依賴專家的輔助力量，雖然仍有缺陷，比如在訓練數(shù)據(jù)的時候耗時較多，知識的理解能力還沒有達到智能化的標準，但是，相對于其他方式而言，人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢依舊是比較突出的。

2 以機器學習算法為基礎(chǔ)的GSM網(wǎng)絡(luò)定位

2.1 定位問題的建模

建模的過程主要是以支持向量機定位方式作為基礎(chǔ)，把定位的位置柵格化，面積較小的柵格位置就是獨立的一種類別，在定位的位置內(nèi)，我們收集數(shù)目龐大的終端測量數(shù)據(jù)，然后利用計算機對測量報告進行分析處理，測量柵格的距離度量和精準度，然后對移動終端柵格進行預估判斷，最終利用機器學習進行分析求解。

2.2 采集數(shù)據(jù)和預處理

本次研究，我們采用的模型對象是我國某一個周邊長達10千米的二線城市。在該城市區(qū)域內(nèi)，我們測量了四個不同時間段內(nèi)的數(shù)據(jù)，為了保證機器學習算法定位的精準性和有效性，我們把其中的三批數(shù)據(jù)作為訓練數(shù)據(jù)，最后一組數(shù)據(jù)作為定位數(shù)據(jù)，然后把定位數(shù)據(jù)周邊十米內(nèi)的前三組訓練數(shù)據(jù)的相關(guān)信息進行清除。一旦確定某一待定位數(shù)據(jù)，就要在不同的時間內(nèi)進行測量，按照測量出的數(shù)據(jù)信息的經(jīng)緯度和平均值，再進行換算，最終，得到真實的數(shù)據(jù)量，提升定位的速度以及有效程度。

2.3 以基站的經(jīng)緯度為基礎(chǔ)的初步定位

用機器學習算法來進行移動終端定位，其復雜性也是比較大的，一旦區(qū)域面積增加，那么模型和分類也相應(yīng)增加，而且更加復雜，所以，利用機器學習算法來進行移動終端定位的過程，會隨著定位區(qū)域面積的增大，而耗費更多的時間。利用基站的經(jīng)緯度作為基礎(chǔ)來進行早期的定位，則需要以下幾個步驟：要將邊長為十千米的正方形分割成一千米的小柵格，如果想要定位數(shù)據(jù)集內(nèi)的相關(guān)信息，就要選擇對邊長是一千米的小柵格進行計算，而如果是想要獲得邊長一千米的大柵格，就要對邊長是一千米的柵格精心計算。

2.4 以向量機為基礎(chǔ)的二次定位

在完成初步定位工作后，要確定一個邊長為兩千米的正方形，由于第一級支持向量機定位的區(qū)域是四百米，定位輸出的是以一百米柵格作為中心點的經(jīng)緯度數(shù)據(jù)信息，相對于一級向量機的定位而言，二級向量機在定位計算的時候難度是較低的，更加簡便。后期的預算主要依賴決策函數(shù)計算和樣本向量機計算。隨著柵格的變小，定位的精準度將越來越高，而由于增加分類的問題數(shù)量是上升的，所以，定位的復雜度也是相對增加的。

2.5 以K-近鄰法為基礎(chǔ)的三次定位

第一步要做的就是選定需要定位的區(qū)域面積，在二次輸出之后，確定其經(jīng)緯度，然后依賴經(jīng)緯度來確定邊長面積，這些都是進行區(qū)域定位的基礎(chǔ)性工作，緊接著就是定位模型的訓練。以K-近鄰法為基礎(chǔ)的三次定位需要的是綜合訓練信息數(shù)據(jù)，對于這些信息數(shù)據(jù)，要以大小為選擇依據(jù)進行篩選和合并，這樣就能夠減少計算的重復性。當然了，選擇的區(qū)域面積越大，其定位的速度和精準性也就越低。

3 結(jié)語

近年來，隨著我國科學技術(shù)的不斷發(fā)展和進步，數(shù)據(jù)挖掘技術(shù)愈加重要。根據(jù)上面的研究，我們證明了，在數(shù)據(jù)挖掘的過程中，應(yīng)用機器學習算法具有舉足輕重的作用。作為一門多領(lǐng)域互相交叉的知識學科，它能夠幫助我們提升定位的精準度以及定位速度，可以被廣泛的應(yīng)用于各行各業(yè)。所以，對于機器學習算法，相關(guān)人員要加以重視，不斷的進行改良以及改善，切實的發(fā)揮其有利的方面，將其廣泛應(yīng)用于智能定位的各個領(lǐng)域，幫助我們解決關(guān)于戶外移動終端的定位的問題。

參考文獻

[1]陳小燕，CHENXiaoyan.機器學習算法在數(shù)據(jù)挖掘中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2015，v.38；No.451（20）：11-14.

[2]李運.機器學習算法在數(shù)據(jù)挖掘中的應(yīng)用[D].北京郵電大學，2014.

[3]莫雪峰.機器學習算法在數(shù)據(jù)挖掘中的應(yīng)用[J].科教文匯，2016（07）：175-178.

作者簡介

楊金勞（1982-），女，山西省運城市人。碩士學位。現(xiàn)為山西運城農(nóng)業(yè)職業(yè)技術(shù)學院講師。研究方向為數(shù)據(jù)庫、數(shù)據(jù)挖掘、軟件開發(fā)。

作者單位

山西運城農(nóng)業(yè)職業(yè)技術(shù)學院 山西省運城市 044000