探索性數(shù)據(jù)分析方法的應(yīng)用滬深股市股票價(jià)格與流通盤的定量關(guān)系

1、探索性數(shù)據(jù)分析方法的應(yīng)用- 滬深股市股票價(jià)格與流通盤的定量關(guān)系作者：茍成玲作者單位：北京航空航天大學(xué),應(yīng)用物理系,北京,100083刊名：統(tǒng)計(jì)與信息論壇英文刊名：statistics & information tribune年，卷(期)：2003 ，18(2)被引用次數(shù)：0次參考文獻(xiàn)(1條)1. david c hoaglin . frederick mosteller john w tukey探索性數(shù)據(jù)分析 1998相似文獻(xiàn)(2條)1.會(huì)議論文金義富. 朱慶生 離群數(shù)據(jù)關(guān)鍵域子空間實(shí)時(shí)搜索算法2006 離群數(shù)據(jù)挖掘與分析在許多領(lǐng)域的重要性已經(jīng)日益體現(xiàn),特別在安全領(lǐng)域?qū)Υ隧?xiàng)技術(shù)的實(shí)時(shí)

2、性要求較高,而離群對(duì)象的關(guān)鍵域子空間對(duì)于進(jìn)一步分析數(shù)據(jù)對(duì)象的離群原因具有指示作用 ,因此如何更快地獲取離群數(shù)據(jù)集的關(guān)鍵域子空間成為一個(gè)十分重要的研究?jī)?nèi)容.本文以探索性數(shù)據(jù)分析方法為基礎(chǔ) ,通過分析數(shù)據(jù)對(duì)象個(gè)體離群與其屬性值離群之間的關(guān)系,提出了一種高效實(shí)用的關(guān)鍵域子空間實(shí)時(shí)搜索算法rskas,實(shí)驗(yàn)證明 ,這種方法對(duì)于問題規(guī)模具有良好的適應(yīng)性 ,可以較好地滿足離群實(shí)時(shí)分析要求。2.學(xué)位論文朱萌 基于模糊矩陣的聚類融合2008 聚類分析是在探索性數(shù)據(jù)分析領(lǐng)域尤其在數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的一種重要方法，并且被成功應(yīng)用于工程，生物學(xué)，心理學(xué)，藥學(xué)，市場(chǎng)，等其他學(xué)科中。聚類通過抽象出數(shù)據(jù)中基本結(jié)構(gòu)作為個(gè)體分

3、組或者個(gè)體分層來(lái)組織數(shù)據(jù)。 本文的主要工作是不僅在理論上并且通過matlab 對(duì)比實(shí)驗(yàn)的方法詳細(xì)分析研究了聚類融合算法，更重要的是提出了一種新的非常有效的聚類算法，這種聚類方法基于聚類融合。聚類融合是一個(gè)非常強(qiáng)大的工具，可以大大提高非監(jiān)督分類方法的健壯性以及穩(wěn)定性。聚類融合的目的是彌補(bǔ)單個(gè)聚類算法的缺陷，因?yàn)樗袉蝹€(gè)聚類對(duì)原數(shù)據(jù)都有不同程度的依賴以及不同輸入?yún)?shù)和初始化對(duì)算法都會(huì)產(chǎn)生影響。聚類融合算法的基本思想是通過運(yùn)行多次聚類算法，這些算法可以是相同算法不同參數(shù)，初始值或者不同數(shù)據(jù)取樣，也可以是不同算法，然后得到多次聚類的結(jié)果，一般是帶有聚類標(biāo)簽的數(shù)據(jù)結(jié)構(gòu)，聚類融合的任務(wù)是由這個(gè)數(shù)據(jù)結(jié)構(gòu)產(chǎn)生

4、最終的聚類分割，這一過程稱為”共識(shí)函數(shù)”。聚類融合和普通聚類算法的最大不同之處在于普通聚類的對(duì)象是數(shù)據(jù)集，考慮問題的要素是數(shù)據(jù)集的性質(zhì)，而聚類融合的對(duì)象是普通聚類算法產(chǎn)生的結(jié)果，考慮的問題擺脫了數(shù)據(jù)的分布而是如何最大化共享這些結(jié)構(gòu)信息。聚類融合可以看作是對(duì)聚類算法進(jìn)行的”聚類”。然而找到一個(gè)合適的共識(shí)函數(shù)是聚類融合中最大的難題，目前常用的共識(shí)函數(shù)有基于相似度矩陣，基于超圖分割，相互信息，還有基于統(tǒng)計(jì)的方法。 這些方法大部分都是利用聚類標(biāo)簽作為共識(shí)函數(shù)的輸入，然而標(biāo)簽向量是硬劃分聚類算法的結(jié)果，本文依據(jù)概率統(tǒng)計(jì)的基本原理，采用模糊聚類作為生成算法以及產(chǎn)生的模糊矩陣作為共識(shí)函數(shù)的輸入。通過運(yùn)行多次模糊聚類算法或者類似的軟劃分算法得到模糊矩陣，然后由數(shù)據(jù)點(diǎn)隸屬度獨(dú)立性假設(shè)，推導(dǎo)出數(shù)據(jù)對(duì)象的先驗(yàn)概念密度，建立有限混合模型，并且利用em 算法估計(jì)出數(shù)據(jù)對(duì)象屬于每一個(gè)模式的數(shù)學(xué)期望。 本文提出的算法具有非常優(yōu)良的聚類效果。本文做了大量的計(jì)算機(jī)實(shí)驗(yàn)旨在證明算法在不同數(shù)據(jù)分布上的有效性。實(shí)驗(yàn)采用了標(biāo)準(zhǔn)uci 機(jī)器學(xué)習(xí)數(shù)據(jù)集，結(jié)果表明了算法比別的融合算法聚類正確率更高。本文鏈接： h