淺談大數據挖掘中數學的運用

當前是一個信息化時代，人們無論是在生活中，還是在學習工作中無時無刻不在與信息數據打交道，大數據技挖掘技術的完善發展，被廣泛應用在各個行業領域中，創造出眾多的社會經濟效益。如何從海量數據信息中高效挖掘出具有高價值的數據成為了眾多專家學者的關注重點，大數據挖掘工作離不開先進數學專業知識和方法的運用，相關研究人員通過在大數據挖掘和處理分析中合理運用數學知識，能夠有效提升數據處理分析效率，幫助人們在最短時間內獲取到具有價值的數據信息。

1  大數據概念與特征分析

基于計算機互聯網技術的普及應用，社會各行各業產生的數據信息也變得越來越多，不同領域中的海量數據存在著不同的價值，有待人們從數據中進行挖掘開發利用，幫助社會企業發展作出科學決策。大數據實質是指無法在一定時間內利用常規軟件工具進行計算處理、管理利用的數據集合，大數據需要借助先進的處理模式才能夠具備更好的決策力、洞察發現力以及流程優化能力。與傳統數據倉庫應用分析相比較，大數據應用分析最為顯著的特點就是數據量大且形式多樣、檢索查詢困難復雜，大數據主要包括了結構化、非結構化以及半結構化數據。大數據的5V特征具體是指Volume(大量)，即數據量龐大；Velocity(高速)，即數據獲取處理速度快；Variety(多樣)，即數據類型多樣性；Value(低價值密度)，即數據價值較低；Veracity(真實性)，即數據質量較高且真實。

在大數據研究領域中，數據挖掘是核心工作內容，其工作原理是通過對海量、復雜以及無規律的數據展開深入分析、計算處理作業，從中挖掘出具有一定價值的信息數據，從而輔助市場各個行業領域企業作出科學決策，推動整個社會和諧穩定的發展。當前，大數據挖掘被廣泛應用在通訊行業、制造行業、營銷行業以及互聯網信息行業中，如何應用數據挖掘幫助人們解決現實問題，已經成為社會各界人士高度關注的焦點。

2  大數據挖掘中數學的實踐應用

在大數據挖掘過程中，數學知識方法的運用是至關重要的，數學是對大量數據展開分析處理工作的基礎，是實現從海量數據中挖掘出具有價值數據的關鍵途徑。因此，相關研究人員要將數學專業知識有效融入到大數據挖掘與處理工作中，不斷對實際問題的解決能力，提高對數據的處理分析水平。

2.1  數學在數據處理分析中的應用

當工作人員對大數據展開挖掘作業時，首先需要對需求數據進行科學收集整理工作。大數據具備了很強的時效性，每個工作人員都必須正確認識到提高數據處理質量和效率的重要性，要確保在最短時間內完成對大量數據的處理分析工作，挖掘獲取到需求價值數據。如果收集到的原始數據存在著不完整、不統一以及噪聲等情況時，相關人員還需對該部分數據進行預處理作業，這樣有利于提高數據的準確性。如果數據量或者指標集過大，工作人員可以結合相關標準選擇一些具有代表性的數據進行處理分析，確保能夠反映出研究結果。

在數據處理分析中，工作人員可以合理運用數學專業知識中的各種分析方法。例如，回歸分析法、描述性分析法以及相關性分析法等。工作人員在運用回歸分析法和相關性分析法時，要科學將兩種數學分析方法融合在一起，基于相關性分析下，通過有效觀察某兩個或者多個相關變量的數量變化關系，構建出對應的數學模式，然后利用已知量準確推斷出未知量。在數據處理中進行回歸分析的核心目的在于合理采用樣本數據對各項參數展開科學估計，接著構建出對應的數據模型，以此來判斷和預測出參數數據。與此同時，在數據處理分析中，研究工作人員還會涉及運用到大量的數學理論知識。例如，數學測度論知識，也就是通過運算結合兩個或者多個單調測度，以此完成對新單調測度的創建工作，當研究人員在進行數據降維處理作業時，可以合理運用測度論。與傳統主因子分析方法相比較，測度論分析法的合理運用不僅能夠最大程度保障數據處理分析的完整性，還可以有效提升數據分析結果的科學準確性。

2.2  數學在數據挖掘中應用

數據挖掘工作的主要特點包括了應用性、集合性、工程性以及交叉性。數學理論知識和方法在數據挖掘過程中起到了無可替代的作用。研究人員在展開數據挖掘工作時，頻繁使用的數學方法主要包括了聚類分析法、關聯分析法以及決策樹法等，不同數學方法在數據挖掘中起到了不同的作用。其中，聚類分析是挖掘挖掘中應用最為重要的一種數學方法。聚類分析法實質是指將物理或者對象集合體科學劃分成若干個具有類似或相似性的小組，即“物理類聚”。聚類分析法被廣泛應用在醫學、心理學、營銷學以及統計學等領域中。聚類分析法在數據挖掘中的應用內容主要是通過灰色關聯分析法、目標函數模糊方法以及區間值算法進行體現的。

2.2.1  灰色關聯分析法的運用

灰色關聯分析方法還根據系統因素之間發展趨勢的相似或者相異程度，即“灰色關聯度”，作為衡量因素間關聯程度的一種數學方法，該種分析方法適用于數據動態發展歷程分析。在灰色關聯分析法中，灰色關聯系統的具體表現形式為S=（X，R），其中字母X指的是影響因子集合，字母R指的是因子間趨勢關聯映射的集合。研究人員在數據挖掘工作中通常采用的是數學灰色管理分析法，通過科學分析比較不同幾何曲線之間的幾何形狀展開數據分析處理。如果幾何曲線之間的幾何形狀越接近，這代表著數據關聯越大，反之如果幾何形狀越不接近，則數據關聯越小。研究人員通過在數據挖掘過程中運用數學灰色關聯分析法，有利于對樣本數據殘缺或者數據量小情況的分析處理，從中挖據出重要價值的數據。

2.2.2  目標函數模糊聚類法的運用

在實際工作生活中，模糊聚類法被廣泛應用在圖像處理、數據分析以及數據挖掘工作中。伴隨著時間的不斷推移，計算機信息技術的不斷完善，目標函數模糊聚類方法應用成為了當今社會大數據挖掘研究的重點，其是解決生活中實際聚類問題的有效方法。目標函數模糊聚類方法適用于對高維處理、高效率以及具有伸縮性大數據庫的數據挖掘工作。大數據挖掘研究人員利用目標函數模糊聚類法，將不同數據進行標準化后再科學標定，同時構建出完善的模糊矩陣，最后科學采取直接聚類或者模糊等價矩陣的手段實施數據集和關鍵指標的聚類，并且還可以采用編網法或者最大樹法展開聚類作業。

2.2.3  區間值算法的運用

在數學知識內容中，區間值算法是基于區間值聚類方法中最為常用的一種數學方法，其在數據挖掘工作內容范圍中的應用主要體現在對不完全系統信息進行挖掘和分析。大數據挖掘研究人員通過利用區間值算法，能夠對數據挖掘過程當中的一些能進行轉化的“比較型”數據，或者是固定取值范圍的數據進行科學分析處理。在實踐數據挖掘中，研究人員采用區間值算法主要涵蓋了三種不同聚類法，分別是矩陣與區間聚類法、數與區間聚類法以及區間與區間聚類法。在這三種方法中使用最為頻繁的是數與區間聚類法，該方法的合理運用能夠幫助研究人員真實、快速以及準確地對不完全的系統信息展開科學通知分析。在明確區間值時，研究人員可以通過利用先進的統計方法進行科學確定，或者也可以展開相互之間的討論分析，結合長期工作經驗進行區間值的確定。

3  結語

綜上所述，當今社會發展離不開大數據技術的支持應用，人們生活工作都會涉及到各種重要價值的數據信息。研究人員必須不斷加強對大數據挖掘的深入研究分析工作，提高對大數據的處理分析水平。數學作為大數據挖掘的支撐基礎，在大數據挖掘中研究人員要善于運用各種數學專業理論知識和方法，發揮出數學知識的價值作用，幫助人們從海量數據中快速挖掘出可利用價值數據，解決生活中存在的實際問題，為人類社會帶來更多的便利之處。

本文來源：《企業科技與發展》：http://www.007hgw.com/w/qk/21223.html