进行网络数据分析时要避免盲目使用聚类算法

 

    进行信息网络系统数据分析时要避免盲目使用聚类算法，最好检查它们发展之间的差异。

    随着近十年数据的爆炸式增长，网络规模不断扩大，聚类已成为了解网络结构最流行的工具之一。它的目的是节点群集以识别网络，即，降低网络中的刻度结构。选择通过数据分析网络聚类方法，选择一个网络进行度量会产生相似的问题。

    这不仅是使用数据分析软件中的可用功能的。事实上，那些没有专门数据分析技术用于通过网络的方法研究都是企业为了汇集相似的对象即节点，类似于任何一个其它的聚类方法，因此需要依赖于数据分析特定的节点相似性的定义。

    那么，数据分析分析师预期网络中有哪些相似之处？讨论不同方法的优缺点超出了本文的范围，小伙伴们要可以查阅相关资料。下面，我们用三个经典的，数据分析相较于其它的方法。来说明选择一个特定的节点相似性的定义带来的影响。

    第一节点是相似的天然存在定义在它们之间的连接。网络数据分析聚类包括企业寻找模块化设计结构，基于这个问题定义，即数据分析识别技术与其他节点间稀疏连接的密集节点群，也称为管理模块或社区。社区测定来实现这一功能，它是隐含地假定有一个网络模块。它们已经被成功地应用于生物学的许多研究中。如果数据分析食物网中的物种有相似的猎物和捕食者，它们被认为是相似的。

    第二种方法可以认为，当两个重要节点倾向于与相同数据类型的节点进行连接或断开时，它们是相似的。 数据分析这个定义可以适应非模块化的网络结构，因为它假设涉及到的节点处于“多样的中尺度结构”中。

    随机区块模型是基于这一定义的一种流行的方法，一个重要的特点是，数据分析允许不同的统计分布明确模拟侧方向和权重。它已被应用在与一些生物网络相关的分析中，以突出生态网络中连接体或功能群的复杂结构。

    第三种方法可以考虑对每个节点进行关联分析一个重要特征向量，然后把相似特征的节点聚集在一起。这包括数据分析基于在图案和大量节点的新颖嵌入技术的方法。

    这使得对多元数据技术应用现有的各种聚类方法可以成为我们可能，而数据分析节点被描述为一个企业相对比较合适的低维空间中的点，重要的是要认识到这些相似概念自然导致不同的节点聚类。这些选项之间的选择必须由生物学而不是由数据分析软件工具的可用性问题进行驱动。

    版权声明：本文为Yun88网的原创文章，转载请附上原文出处链接及本声明。

 

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！