上海警備區(qū) 殷倩倩 申鑫欣 夏祎

在互聯(lián)網(wǎng)信息技術(shù)飛速發(fā)展的今天，互聯(lián)網(wǎng)信息化技術(shù)已經(jīng)滲透在人們工作、學(xué)習(xí)與生活的方方面面，促進(jìn)了社會(huì)生產(chǎn)力水平的顯著提升。在信息技術(shù)應(yīng)用過程中，會(huì)形成海量的數(shù)據(jù)信息，為加強(qiáng)對各項(xiàng)數(shù)據(jù)信息的管理與利用，需要采用科學(xué)、高效的數(shù)據(jù)處理技術(shù)對其價(jià)值進(jìn)行全面發(fā)掘。故此，本文針對現(xiàn)階段大數(shù)據(jù)背景下機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用情況展開分析，首先介紹了大數(shù)據(jù)應(yīng)用背景，然后對機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)進(jìn)行簡要介紹，最后就大數(shù)據(jù)背景下機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用展開一系列分析，希望對于大數(shù)據(jù)技術(shù)的發(fā)展有所助力。

數(shù)據(jù)挖掘技術(shù)的應(yīng)用和大數(shù)據(jù)的發(fā)展是相輔相成的，在發(fā)展過程中，通過對數(shù)據(jù)挖掘技術(shù)的有效應(yīng)用可以逐步提高系統(tǒng)對各種數(shù)據(jù)信息的處理能力，同時(shí)還能夠進(jìn)一步降低數(shù)據(jù)信息管理成本的投入。但是，隨著各行業(yè)的發(fā)展與數(shù)據(jù)規(guī)模的暴增，對于數(shù)據(jù)挖掘技術(shù)的應(yīng)用也提出了更為嚴(yán)格的要求。機(jī)器學(xué)習(xí)作為一門交叉學(xué)科，應(yīng)用計(jì)算機(jī)處理技術(shù)對人類行為進(jìn)行智能化模擬，以此進(jìn)行知識和技能的獲取，同時(shí)還能夠不斷進(jìn)行知識結(jié)構(gòu)的調(diào)整和優(yōu)化，將機(jī)器學(xué)習(xí)應(yīng)用在數(shù)據(jù)挖掘中可以進(jìn)一步提高大數(shù)據(jù)處理效率，因此得到廣泛應(yīng)用。為了能夠在數(shù)據(jù)挖掘中充分發(fā)揮機(jī)器學(xué)習(xí)的應(yīng)用價(jià)值，相關(guān)從業(yè)人員還需對機(jī)器學(xué)習(xí)的應(yīng)用問題展開深入分析，使其更好地助力社會(huì)的進(jìn)步與發(fā)展。

1 關(guān)于大數(shù)據(jù)背景的介紹

近年來，隨著互聯(lián)網(wǎng)信息化技術(shù)的應(yīng)用和發(fā)展，每天所生成的海量數(shù)據(jù)需要采用更加高效的管理措施進(jìn)行處理，提高數(shù)據(jù)信息的管理質(zhì)量。但是，隨著信息化技術(shù)應(yīng)用的加深，生成的各種數(shù)據(jù)類型更為豐富，信息數(shù)據(jù)也更加龐大，顯然采用傳統(tǒng)的處理方式已經(jīng)無法適應(yīng)當(dāng)前的數(shù)據(jù)處理需求。在這種情況下，需要采用更為先進(jìn)的數(shù)據(jù)處理方式以滿足各行業(yè)的數(shù)據(jù)信息處理工作需求，大數(shù)據(jù)技術(shù)則應(yīng)運(yùn)而生。與傳統(tǒng)的數(shù)據(jù)處理技術(shù)相比，大數(shù)據(jù)技術(shù)下的信息儲(chǔ)存、分析等方式發(fā)生了明顯變化，在數(shù)據(jù)的運(yùn)算方面也采用了更為先進(jìn)的處理方式，為數(shù)據(jù)處理和決策系統(tǒng)提供了更大的助力。大數(shù)據(jù)的主要特點(diǎn)在于其數(shù)據(jù)信息內(nèi)容豐富及種類繁多等，同時(shí)還有著更為快速的信息傳輸速率，因此得到了更為廣泛的應(yīng)用與深入的發(fā)展。

2 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)概述

2.1 數(shù)據(jù)挖掘

在數(shù)據(jù)挖掘技術(shù)中，機(jī)器學(xué)習(xí)和統(tǒng)計(jì)算法均為重要組成內(nèi)容，其中機(jī)器學(xué)習(xí)屬于人工智能技術(shù)的一種，能夠在樣本集訓(xùn)練與學(xué)習(xí)中快速地明確其中各項(xiàng)參數(shù)與運(yùn)算模式[1]。而統(tǒng)計(jì)算法則為通過對概率等數(shù)據(jù)的分析以及數(shù)據(jù)相關(guān)性等進(jìn)行運(yùn)算，對于不同的研究領(lǐng)域需要應(yīng)用不同的算法也不盡相同，在實(shí)際應(yīng)用中還可以結(jié)合其計(jì)算目標(biāo)選擇各種算法的單獨(dú)應(yīng)用或者結(jié)合應(yīng)用。對于機(jī)器學(xué)習(xí)而言，其中的人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了廣泛的應(yīng)用，其具有高效的自主學(xué)習(xí)能力與數(shù)據(jù)處理能力，同時(shí)，其對于各類型的數(shù)據(jù)能夠進(jìn)行快速、精準(zhǔn)的識別。通過對數(shù)據(jù)挖掘的應(yīng)用能夠結(jié)合具體情況進(jìn)行科學(xué)建模，且模型具有精度高及描述能力強(qiáng)等特點(diǎn)。但是在訓(xùn)練數(shù)據(jù)時(shí)需要花費(fèi)較多時(shí)間,對數(shù)據(jù)進(jìn)行理解時(shí)也不是很智能，伸縮性和開放性仍存在一定的提升空間。

2.2 機(jī)器學(xué)習(xí)

2.2.1 主要任務(wù)分析

作為現(xiàn)代信息化技術(shù)體系當(dāng)中的重要內(nèi)容，機(jī)器學(xué)習(xí)的重要任務(wù)主要體現(xiàn)在以下幾點(diǎn)：(1)數(shù)據(jù)的快速分類。在系統(tǒng)運(yùn)行中，可根據(jù)數(shù)據(jù)信息的處理要求進(jìn)行數(shù)據(jù)建模，在此過程中實(shí)現(xiàn)對數(shù)據(jù)的快速、高效分類處理。(2)數(shù)據(jù)的回歸分析。通過技術(shù)手段對各種類型的數(shù)據(jù)變量及其相互間的關(guān)系進(jìn)行全面性的護(hù)理與總結(jié)，在此基礎(chǔ)上獲得表現(xiàn)數(shù)據(jù)關(guān)系的公式。在數(shù)據(jù)處理工作當(dāng)中，通常需要對統(tǒng)計(jì)學(xué)相關(guān)知識加以應(yīng)用，借此進(jìn)行數(shù)據(jù)的估測等，繼而實(shí)現(xiàn)數(shù)據(jù)挖掘效率的提升。(3)數(shù)據(jù)的關(guān)聯(lián)規(guī)則。無論是在任何一種行業(yè)領(lǐng)域當(dāng)中，都會(huì)面臨對于事務(wù)型數(shù)據(jù)信息的處理需求，在此方面，可以通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)數(shù)據(jù)樣本空間的建立，便于對將來某些事件的發(fā)生情況進(jìn)行科學(xué)預(yù)測。(4)數(shù)據(jù)的聚類。這里我們所說的聚類主要指將數(shù)據(jù)按需聚集到各自的數(shù)據(jù)簇中。

2.2.2 大數(shù)據(jù)中對于機(jī)器學(xué)習(xí)的應(yīng)用優(yōu)勢

傳統(tǒng)機(jī)器學(xué)習(xí)算法的應(yīng)用需依賴內(nèi)存容量，在存儲(chǔ)數(shù)據(jù)信息時(shí)，計(jì)算機(jī)無法對PB與TB級別的數(shù)據(jù)信息予以存儲(chǔ)，所以，部分算法是無法滿足大數(shù)據(jù)背景下的數(shù)據(jù)挖掘需求的，在這種情況下，就需要加強(qiáng)實(shí)踐并逐步進(jìn)行算法的優(yōu)化，進(jìn)一步滿足數(shù)據(jù)處理要求。人工神經(jīng)網(wǎng)絡(luò)為大數(shù)據(jù)背景下機(jī)器學(xué)習(xí)計(jì)算方法中的一種，能夠通過人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建而體現(xiàn)出多元化的描述能力，并且其數(shù)據(jù)處理精度較高。在當(dāng)今時(shí)代對大數(shù)據(jù)技術(shù)應(yīng)用日益深入的環(huán)境下，對于機(jī)器學(xué)習(xí)的應(yīng)用也提出了更加個(gè)性化的要求。一方面，隨著各行業(yè)的發(fā)展，所生成的數(shù)據(jù)信息更為海量，數(shù)據(jù)類型也更為繁復(fù)；另一方面，在系統(tǒng)運(yùn)行過程中，各類型數(shù)據(jù)的分布情況較為復(fù)雜，若是始終應(yīng)用傳統(tǒng)的機(jī)器學(xué)習(xí)方式根本無法全面滿足數(shù)據(jù)信息的獨(dú)立與分布需求。通過對機(jī)器學(xué)習(xí)的有效應(yīng)用能夠使得大數(shù)據(jù)的功能性顯著強(qiáng)化，且將數(shù)據(jù)分類器設(shè)置在數(shù)據(jù)樣本分布較為密集的區(qū)域可以進(jìn)一步提高數(shù)據(jù)分類處理工作質(zhì)量[2]。在當(dāng)前大數(shù)據(jù)背景之下，機(jī)器學(xué)習(xí)顯然已與傳統(tǒng)的概念發(fā)生脫離，且不斷向知識學(xué)習(xí)及處理的復(fù)雜化方向演變，成為數(shù)據(jù)挖掘技術(shù)不斷優(yōu)化的重要途徑。

2.3 機(jī)器學(xué)習(xí)的算法

2.3.1 樸素貝葉斯算法

常規(guī)條件下，該算法可細(xì)化分為以下幾個(gè)步驟：(1)按照特定的操作指令去采集數(shù)據(jù)信息的樣本，并且標(biāo)記好集合中的不同元素，為后續(xù)操作中元素的提取做好鋪墊。(2)進(jìn)行數(shù)據(jù)信息樣本的統(tǒng)計(jì)，借此明確數(shù)據(jù)集合中各類別所出現(xiàn)的概率，便于后續(xù)進(jìn)行分類器的獲取。(3)將待處理的樣本置入分類器內(nèi)，借此獲取樣本處理結(jié)果。該算法雖然目前得到了廣泛的應(yīng)用，但其在應(yīng)用過程中也體現(xiàn)出一定的缺陷，例如，該算法認(rèn)為分類的樣本特征本身與其他特征值不相關(guān)，所以無法進(jìn)行樣本各個(gè)特征間的相關(guān)性計(jì)算。而該算法在計(jì)算應(yīng)用中具有顯著的便捷性特點(diǎn)，可有效提升計(jì)算速度。

2.3.2 K-Means法

在機(jī)器學(xué)習(xí)算法當(dāng)中，該算法具有較高的普及度。與其他算法相比，該算法的應(yīng)用較為方便，K-Means法需以對距離度量算法的應(yīng)用作為基礎(chǔ)，因此，在數(shù)據(jù)聚類的條件之下，若數(shù)據(jù)樣本數(shù)量越多，那么該算法應(yīng)用的錯(cuò)誤率則會(huì)降低，若數(shù)據(jù)聚類的訓(xùn)練集越大，該算法也就會(huì)顯示出更為明顯的分類性特點(diǎn)。

設(shè)k是K-Means聚類算法的輸入?yún)?shù)，表明算法在數(shù)據(jù)集中進(jìn)行k個(gè)聚類簇目，并且輸出計(jì)算結(jié)果的聚類簇目。數(shù)據(jù)集合是由n個(gè)模式組成，模式也代表數(shù)據(jù)點(diǎn)的意思。在K-Means聚類算法數(shù)據(jù)初始化時(shí)，依據(jù)輸入?yún)?shù)k隨機(jī)地從n個(gè)模式{i1,i2,…in}中找出k個(gè)原型{W1,W2,…Wk}。因此Wj=it，j∈{1,2,…,k}，t∈{1,2…,n}。Cj是第jth個(gè)聚類，Cj的值是輸入模式即數(shù)據(jù)點(diǎn)之間互不相交的子集，而想要對其結(jié)果展開質(zhì)量評價(jià)則需以下述函數(shù)進(jìn)行：

在該函數(shù)中，E即為各數(shù)據(jù)點(diǎn)和簇的質(zhì)心距離和，因此，若E的數(shù)值較小，那么簇的緊湊性就越大，所以，在機(jī)器算法的應(yīng)用中需通過E這一數(shù)值的優(yōu)化以獲取更優(yōu)的數(shù)據(jù)類聚方案，直至E的數(shù)值極小，其所獲得的方案可行性則為最佳。

2.3.3 決策樹算法

該算法在應(yīng)用中實(shí)則為對于數(shù)據(jù)輸入空間的分割，通過分割獲得若干區(qū)域，而各個(gè)區(qū)域都具有各自相對獨(dú)立的參數(shù)。在算法的實(shí)際應(yīng)用中，通常是以數(shù)據(jù)的樹形模型為基礎(chǔ)而展開相應(yīng)的分析，其中全部的數(shù)據(jù)葉子節(jié)點(diǎn)以及根節(jié)點(diǎn)均為分類化的路徑規(guī)則，并且其中所有的葉子階均為一種判斷類別。在該算法的應(yīng)用中，通常是先對數(shù)據(jù)樣本實(shí)施分割處理，使其劃分為樣本的子集，隨即再進(jìn)行分割的遞推，從而使得所有的子集均可以得到同類數(shù)據(jù)樣本并進(jìn)行其類別的預(yù)測。與其他類型的算法相比，該算法的突出特點(diǎn)在于其結(jié)構(gòu)相對簡單，對于數(shù)據(jù)信息的處理速率較高。

3 數(shù)據(jù)挖掘中對于機(jī)器學(xué)習(xí)的應(yīng)用原理分析

機(jī)器學(xué)習(xí)的類型具有一定的豐富性，其涉及的內(nèi)容也比較廣泛，結(jié)合以下幾方面領(lǐng)域的應(yīng)用情況對數(shù)據(jù)挖掘的應(yīng)用原理展開分析：

3.1 人工神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)的主要應(yīng)用原理為通過特定的算法展開數(shù)據(jù)建模，借此來模擬人類的大腦系統(tǒng)，并對其中所有神經(jīng)系統(tǒng)的作用進(jìn)行分析，同時(shí)明確各神經(jīng)所處位置，從而明確各個(gè)神經(jīng)系統(tǒng)在大腦中的運(yùn)行過程。在進(jìn)行建模的過程中，機(jī)器學(xué)習(xí)通過對不同的神經(jīng)單元進(jìn)行處理而形成相應(yīng)的數(shù)據(jù)信息層級序列[3]。在上述過程當(dāng)中，其應(yīng)用的邏輯原理主要為：通過對特定算法的應(yīng)用進(jìn)行模擬刺激，在系統(tǒng)接收到刺激信號之后，對數(shù)據(jù)信息進(jìn)行篩選和處理而得到的最終結(jié)果。

3.2 向量機(jī)

向量機(jī)也是數(shù)據(jù)挖掘技術(shù)中的重要組成部分，在進(jìn)行向量機(jī)的應(yīng)用中，對各項(xiàng)數(shù)據(jù)的處理均需用到數(shù)學(xué)思維，利用回歸算法來處理各種數(shù)據(jù)信息問題，借此推測相應(yīng)的未知結(jié)果。利用算法的有機(jī)結(jié)合與三維空間的數(shù)據(jù)多維分析來進(jìn)行特定算法的推演。

3.3 推薦算法

在數(shù)據(jù)挖掘的機(jī)器學(xué)習(xí)當(dāng)中還存在一種被廣泛應(yīng)用于商務(wù)領(lǐng)域的算法，也就是推薦算法。該算法可以將系統(tǒng)用戶的瀏覽信息為條件對其感興趣的信息進(jìn)行分析，例如淘寶，在淘寶用戶進(jìn)行各種商品的瀏覽時(shí)，即可通過推薦算法的運(yùn)行對用戶在平臺(tái)中的商品瀏覽頻率等對其商品購買偏好等信息進(jìn)行分析，確定用戶喜歡的商品種類。

4 數(shù)據(jù)挖掘中對于機(jī)器學(xué)習(xí)的應(yīng)用

4.1 對于向量機(jī)的應(yīng)用

在進(jìn)行向量機(jī)的應(yīng)用中，主要是通過其定位理論原則對待處理數(shù)據(jù)信息加以分類，完成待處理數(shù)據(jù)的區(qū)域化選擇，該部分的大體流程為：(1)對鎖定區(qū)域的經(jīng)緯度實(shí)施首次定位，明確具體位置后再對其進(jìn)行劃分，實(shí)現(xiàn)該位置的柵格化。(2)完成位置的劃分后，還需將其根據(jù)具體的位置信息細(xì)化為兩部分，并對二者展開精確計(jì)算。但是，這兩部分的數(shù)據(jù)信息計(jì)算方式存在一定差異，其中一部分在計(jì)算中需對待測數(shù)據(jù)樣本實(shí)施向量計(jì)算，而另一部分則應(yīng)以回歸函數(shù)計(jì)算方式對數(shù)據(jù)樣本進(jìn)行計(jì)算分析。借助對差異算法的應(yīng)用得到個(gè)性化的定位方案。但是需要注意的問題是，在對向量機(jī)進(jìn)行應(yīng)用時(shí)應(yīng)嚴(yán)格遵循最小化原則。除此之外，在通過向量機(jī)來采集數(shù)據(jù)樣本的時(shí)候，一定要做好多維度的點(diǎn)積計(jì)算，只有這樣才能夠充分保證其中非線性問題的妥善解決。在人們的日常生活方面，向量機(jī)多被用在各行業(yè)領(lǐng)域的人臉識別系統(tǒng)以及汽車發(fā)動(dòng)機(jī)的故障問題檢測等方面。

4.2 對于卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

卷積神經(jīng)網(wǎng)絡(luò)可以利用算法學(xué)習(xí)對海量的數(shù)據(jù)進(jìn)行特定的處理，并且可以展開高效的自我學(xué)習(xí)。卷積神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)和常規(guī)性的神經(jīng)元大致相同，具體而言，卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算層級上先是通過對數(shù)據(jù)輸入的求和，然后再利用函數(shù)計(jì)算來展開神經(jīng)網(wǎng)絡(luò)系統(tǒng)建模。在對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)際應(yīng)用中一定要注意其中的三個(gè)重要參數(shù)，即數(shù)據(jù)區(qū)域大小、神經(jīng)元之間的聯(lián)系以及神經(jīng)元的數(shù)量?，F(xiàn)階段卷積神經(jīng)元多用于計(jì)算機(jī)自然語言數(shù)據(jù)信息的處理方面以及計(jì)算機(jī)視覺語言的處理方面，在計(jì)算機(jī)識別過程中，通過對該網(wǎng)絡(luò)系統(tǒng)的應(yīng)用可以實(shí)現(xiàn)光譜特征以及光譜建模的可視化。前饋神經(jīng)網(wǎng)絡(luò)CNN作為一種深度學(xué)習(xí)方法，可以使用沒有經(jīng)過光譜預(yù)處理的原始光譜進(jìn)行建模，改進(jìn)了光譜分析的流程，比如卷積神經(jīng)網(wǎng)絡(luò)可用于分析實(shí)驗(yàn)室中山羊角水解過程中的拉曼光譜。

5 結(jié)語

隨著時(shí)代的進(jìn)步與科技的迅速發(fā)展，大數(shù)據(jù)時(shí)代悄然而至，在大數(shù)據(jù)技術(shù)在各行業(yè)領(lǐng)域的應(yīng)用逐步深入的背景之下，想要充分發(fā)揮大數(shù)據(jù)技術(shù)的應(yīng)用優(yōu)勢，對于數(shù)據(jù)挖掘技術(shù)的掌握、研究與應(yīng)用是必不可少的。機(jī)器學(xué)習(xí)作為當(dāng)前數(shù)據(jù)挖掘中的重要內(nèi)容，通過對其應(yīng)用能夠更加準(zhǔn)確、快速地處理各種復(fù)雜性問題。對此，相關(guān)人員還需加強(qiáng)對機(jī)器學(xué)習(xí)的應(yīng)用實(shí)踐與深入研究，加強(qiáng)技術(shù)應(yīng)用與優(yōu)化，進(jìn)一步發(fā)揮機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用優(yōu)勢，為社會(huì)的進(jìn)步與發(fā)展提供更大的助力。

引用

[1] 黃心依.機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用研究[J].信息記錄材料,2021,22(8):121-123.

[2] 譚成兵,周湘貞,朱云飛.基于Weka和協(xié)同機(jī)器學(xué)習(xí)技術(shù)的數(shù)據(jù)挖掘方法研究[J].長春大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,30(6):5-9.

[3] 戴惠麗.大數(shù)據(jù)背景下機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用研究[J].呂梁教育學(xué)院學(xué)報(bào),2019,36(3):20-21.