3 核心算法 17

3.1 K-means 聚类算法 17

3.2 奇异值分解 18

3.2.1 传统 QR 迭代算法 18

3.2.2 基于双边 Jacobi 旋转的 SVD 算法 22

3.2.3 基于单边 Jacobi 旋转的 SVD 算法 24

4 实验分析 24

4.1 实验数据的获取与提取 25

4.1.1 数据的获取与分组 25

4.1.2 文本向量的提取 27

4.2 实验过程 28

4.3 实验结果与分析 28

4.4 算法对比分析 33

4.4.1 K-means 算法 33

4.4.2 主成分分析 33

4.4.3 今后的工作 34

结 论 35

致 谢 36

参 考 文 献 37

1 绪论

在近几十年的计算机的发展历程中，人类利用计算机信息技术来收集数据的 能力正在以飞快的速度增长着，许许多多的数据库系统用于各行各业中，包括学 校、工地、商品管理、科研开发等等，人们被铺天盖地的信息资源所淹没，同时， 伴随着“大数据”时代的到来，这就非常迫切地需要人们对海量的数据进行统筹 管理，传统的数据库方法可以对数据进行统计、查询和管理，但是难以发现数据 之间的内在联系，因此提出了数据挖掘作为解决这个问题的重要方法，而聚类分 析则是数据挖掘中一项主要的技术。

1.1 聚类分析

1.1.1 聚类分析简介

聚类分析是一种将一个集合内的对象聚集为多个不同聚类，使得同一组中的 对象相比于其它群体有着更为密切或相似的关系[16]。聚类分析是搜索性数据挖 掘的一个主要工作，是一个对数据进行统计分析的常用的技术，在许多领域上使 用，包括机器学习、模式识别、图像分析、信息检索、生物信息学等。

聚类分析本身不是一个具体的算法，而是一个一般要解决的任务。它可以通 过各种算法和显著不同的构成集群的概念，从而有效的找到这些集群。集群主要 的概念包括了集群成员之间的较小的距离组、数据空间的密集区、间隔或特定的 统计分布。聚类分析可以归结为一个多目标的优化问题，合适的聚类算法和参数 设置取决于个人的数据集合结果的预期。聚类分析不是一个自动的任务，而是一 个在知识发现和交互式多目标优化涉及的尝试和失败的迭代过程。它往往是必要 的修改数据的预处理和必要的模型参数，直到达到所需的性能。