Кластерный анализ

В настоящее время практически не существует области интересов человека, в которой не существовало бы в той или иной степени потребности в обработке данных. В силу этого задача выбора оптимального метода обработки данных зачастую является очень важной, особенно в тех случаях, когда необходима экспресс-оценка данных, приходящих из различных источников, как, например, социологии, метеорологии и т.д. Тем более, что зачастую в подобных задачах поступающие данные могут отличаться как по объему, так и по характеру. Для этих целей существуют специальные математические методы, которые называются методами многомерной классификации, или методами кластерного анализа. Многомерная классификация представляет собой разбиение объектов на классы, в котором каждый объект может быть отнесен к нескольким классам, в зависимости от числа критериев разбиения. Важным свойством этого метода является возможность представления результата в виде иерархической структуры. Иногда подход кластерного анализа называют в литературе численной таксономией, численной классификацией, распознаванием с самообучением.

---

Чтобы купить дипломную работу недорого , нужно зайти на сайт Work5.

---

Первое применение кластерный анализ нашел в социологии. Название кластерный анализ происходит от английского слова cluster – гроздь, скопление. Главное назначение кластерного анализа – разбиение множества исследуемых объектов и признаков на однородные в соответствующем понимании группы или кластеры. То есть предполагает решение задача классификации данных, а также выявления их соответствующей структуры. Методы кластерного анализа применимы в различных случаях, даже тогда, когда необходима простая группировка по количественному сходству. Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков. Кроме того, кластерный анализ в отличие от большинства математико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет рассматривать множество исходных данных практически произвольной природы. Это имеет большое значение, например, для прогнозирования конъюнктуры, когда показатели имеют разнообразный вид, затрудняющий применение традиционных эконометрических подходов. Кластерный анализ позволяет рассматривать достаточно большой объем информации и резко сокращать, сжимать большие массивы социально-экономической информации, делать их компактными и наглядными. Кластерный анализ очень важен для применения к совокупностям временных рядов, характеризующих экономическое развитие (например, общехозяйственной и товарной конъюнктуры), поэтому данная тема является актуальной. Целью курсовой работы является изучение теоретических и практических вопросов проведения кластерного анализа данных. Для достижения поставленной цели необходимо решить следующие задачи: изучить понятие кластерного анализа, его виды, сферы использования, применяемые методы и оценки, на практике провести кластеризацию произвольных данных с помощью офисной программы MS Excel. Предмет исследования классификация данных с помощью кластерного анализа, объект исследования кластеризация данных с помощью программы MS Excel. В работе используются следующие методы исследования: анализ, синтез, сравнение, наблюдение, индукция, прогнозирование, дедукция экономические и статистические методы. Работа состоит из введения, двух глав, заключения и списка использованной литературы.  

Классификация является основой умозрительной человеческой деятельности и фундаментальным процессом научной практики. В ходе исследований, развития науки и техники накоплено значительное количество материалов, которые необходимо систематизировать с целью выявления законов общественного развития, изучения эволюций и совершенствования технологий. Кластерный анализ объединяет кластеры и переменные, похожие друг на друга. То есть классифицирует объекты. Часто при решении экономических задач, имеющих достаточно большое число данных, нужна многомерность описания. Один из простых методов многомерного анализа – кластерный анализ. Кластерный анализ является количественным инструментом исследования социально-экономических процессов, для описания которых необходимо много характеристик. Он позволяет разбить выборку на несколько групп по исследуемому признаку, проанализировать группы (как группируются переменные), группировку объектов (как группируются объекты). С помощью метода решаются задачи сегментирования рынка, анализируются сельские хозяйства для сравнения производительности, например, прогнозируется конъюнктура рынка отдельных продуктов и т.д. Техника кластеризации применяется в самых разнообразных областях. Вопрос, который встает в первую очередь при использовании кластерного анализа, – как организовать многомерную выборку в наглядные структуры. Главное задача – разбить многомерный ряд исследуемых значений (объектов, переменных, признаков) на однородные группы, кластеры. То есть данные классифицируются и структурируются. По сути это совокупность инструментов для классификации многомерных объектов. В работе были рассмотрены понятия кластерного анализа, его сфера применения, достоинства и недостатки, этапы и методы кластеризации. Во второй главе проведено практическое применение кластеризации данных с помощью MS Excel, а также рассмотрены популярные программы автоматической кластеризации данных, представленные на рынке услуг. Таким образом, теоретические знание и практические навыки применения кластерного анализа имеют очень большое значение в различных экономических и статистических отраслях.  

1. Бурганов, Р. А. Экономическая теория: учебник. — М. : ИНФРА-М, 2018. — 418 с. 2. Борзых Д.А. Эконометрика в задачах. Базовый курс. / — М. : Издательство Ленанд, 2021. — 256 с. 3. Власенко В. Д. Кластерный анализ : методические указания к изучению курса и задания к лабораторным работам для студентов математических и экономических специальностей. – Хабаровск : Изд-во Тихоокеанского гос. ун-та, 2006. – 32 с. 4. Воскобойников Ю.Е. Эконометрика в Excel. Модели временных рядов. Учебное пособие/ — М. : Издательство Лань, 2020. — 152 с. 5. Елисеева И.И. Эконометрика: учебник для бакалавров и магистратуры /И.И.Елисеева и др.; под ред. И.И.Елисеевой. – М.: Издательство Юрайт, 2015. – 449 с. 6. Елисеева И.И. Эконометрика: Учебник / И.И. Елисеева, С.В. Курышева, Т.В. Костеева и др.; Под ред. И.И. Елисеевой.- 2-е изд., перераб. и доп. – М. : Финансы и статистика, 2005. – 576 с. 7. Елисеева И.И. Общая теория статистики. М.: Финансы и статистика, 2017. – 656 с. 8. Елисеева И.И. Практикум по эконометрике: Учеб. пособие / И.И. Елисеева, С.В. Курышева, Н.М. Горденко и др.; под ред. И.И. Елисеевой. – 2-е изд., перераб. и доп. – М. : Финансы и статистика, 2001. – 192 с. 9. Зудилова Т.В. Работа пользователя в Microsoft Excel 2010 - СПб: НИУ ИТМО, 2018. – 87 с. 10. Катышев П.К. Эконометрика. Учебник — М. : Дело, 2021. — 368 с. 11. Колемаев, В. А. Эконометрика : учебник / В.А. Колемаев. — Москва : ИНФРА-М, 2017. — 160 с. 12. Кремер Н.Ш. Эконометрика: Учебник для вузов / Под ред. проф. Н.Ш. Кремера. - М.: ЮНИТИ-ДАНА, 2022. - 311 с. 13. Куслейка Д. Формулы в Excel 2016 /Дик Куслейка, Майкл Александер. М.: ВИЛЛЕЙ, 2019. -484 с. 14. Куслейка Д. Excel 2019. Библия пользователя. /Дик Куслейка, Майкл Александер. М.: ВИЛЛЕЙ, 2019. -1125 с 15. Лавренов С. М. Excel: Сборник примеров и задач. – М. 2021. – 336 с. 16. Орлов А.И. О Эконометрика : учебник для вузов / А.И. Орлов. — Ростов н/Д : Феникс, 2009. — 276 с. 17. Торопчина Г. Н. Элементы кластерного анализа. Учебное пособие. – Благовещенск: Изд-во Амурского гос. ун-та, 2006. – 40 с. 18. САМОУЧИТЕЛЬ EXCEL С ПРИМЕРАМИ ДЛЯ ПОЛЬЗОВАТЕЛЕЙ СРЕДНЕГО УРОВНЯ [Электронный ресурс] Режим доступа: https://exceltable.com/uroki-excel/samouchitel-excel-s-primerami 19. Сайт компании МАКФИН (Бизнес анализ и анализ данных для исследования) [Электронный ресурс] Режим доступа: https://makfin.ru/ 20. Сайт платформы LOGINOM 6.5 [Электронный ресурс] Режим доступа: https://loginom.ru/ 21. Сайт платформы SPSS Statistic [Электронный ресурс] Режим доступа: https://spssstatistics.ru/ 22. Сайт платформы для кластерного анализа и трейдинга. DeltaRiver [Электронный ресурс] Режим доступа: https://deltariver.pro/ 23. Сайт платформы для объемного, кластерного и технического анализа фьючерсов. [Электронный ресурс] Режим доступа: https://www.sb-professional.com/ 24. Сайт платформы ATAS. [Электронный ресурс] Режим доступа: https://atas.net/ru/ 25. Сайт для структуризации семантики SEMPARSER [Электронный ресурс] Режим доступа: https://semparser.ru/ 26. Сайт для структуризации семантики RUSH ANALYTICS [Электронный ресурс] Режим доступа: https://www.rush-analytics.ru/ 27. Сайт для структуризации семантики OVERLEAD [Электронный ресурс] Режим доступа: https://overlead.me/ 28. Сайт инструментов для интернет маркетинга Key Collector [Электронный ресурс] Режим доступа: https://www.key-collector.ru/ 29. Сайт для структуризации семантики LABRIKA [Электронный ресурс] Режим доступа: https://labrika.ru/