Наступивший XXI век стал этапным для проникновения новых информационных технологий и создаваемых на их основе высокопроизводительных компьютерных систем во все сферы человеческой деятельности — управление, производство, науку, образование и т. д.
Кластерный анализ параллельно развивался в нескольких направлениях, таких как биология, психология, др., поэтому у большинства методов существует по два и более названий. Это существенно затрудняет работу при использовании кластерного анализа. Кластеризация служит для объединения больших объемов данных в группы (кластеры), которые характеризуются тем, что элементы внутри каждой группы имеют больше «сходства» между собой, чем между элементами соседних кластеров. В целом, все методы кластеризации можно подразделить на иерархические и неиерархические. Последние чаще всего используются при анализе больших объемов данных, т.к. они обладают большей скоростью.
Кластерный анализ не накладывает ограничения на представление исследуемых объектов, позволяет анализировать показатели различных типов данных (интервальным данным, частотам, бинарным данным). При этом нужно помнить, что переменные должны измеряться в сравнимых шкалах.
В ходе дипломной работы мною были рассмотрены методы кластерного анализа, их виды, подробно был рассмотрен метод кластерного анализа-самоорганизующиеся карты Кохонена.
Итогом проделанной работы стали следующие выводы и практические результаты:
- § Задача кластеризации состоит в разделении исследуемого множества объектов на группы похожих объектов, называемых кластерами;
- § Для определения «похожести» объектов вводится мера близости, называемая расстоянием;
- § Результаты кластеризации могут быть представлены разными способами;
- § Базовые методы кластеризации делятся на иерархические и неиерархические;
Кластерный анализ — один из наиболее интересных и действенных способов обработки информации.
