Нейросетевые модели кластеризации данных

Практика аналитической деятельности и анализа динамики социальноэкономических процессов и явлений приводит к выводу о том, что наиболее трудоемкими являются проблемы постановочной и алгоритмической формализации задач кластеризации.

Определение

Кластерный анализ представляет собой совокупность методов и алгоритмов, предназначенных для разбиения исходной совокупности объектов на группы (кластеры) таким образом, чтобы в один кластер попадали объекты с близкими значениями свойств и признаков.

Если объекты совокупности представить как точки в признаковом пространстве, то задача кластеризации сводится к определению «сгущений точек» или так называемых корреляционных плеяд. Посредством кластерного анализа могут успешно решаться такие задачи, как сегментирование рынка, первичный скоринг рисков, характерных для деятельности страховых компаний, оценка эффективности операций па рынке ценных бумаг и производных финансовых инструментов и т. д.

Разбиение данных на кластеры, но одному признаку не вызывает проблем. При разбиении по двум-трем признакам порой удается найти решение чисто визуально. В деятельности экономиста-аналитика более востребованными являются такие задачи, которые приводят к необходимости кластеризации объектов по целому ряду признаков в совокупности.

Общая схема проведения кластерного анализа, а также обзор наиболее распространенных методов кластеризации приведены ниже.

Основные этапы кластерного анализа:

• 1) формирование базы данных, в том числе выделение и отбор характеристик исследуемых объектов;
• 2) выбор метрик, г. с. определение критериев схожести объектов;
• 3) разбиение множества объектов на группы;
• 4) представление и интерпретация полученных результатов;
• 5) оценка результатов кластеризации¹.

Ниже приведено подробное описание 3-го этапа, для реализации которого существуют различные методы кластеризации. Классификация наиболее распространенных методов приведена ниже.