WiMi Hologram Cloud Inc. anunció el desarrollo de un sistema de algoritmo de optimización de agrupación y minería de datos basado en una ANN (red neuronal artificial). En el análisis de agrupación, los datos se dividen en clases según reglas específicas, de modo que hay menos similitud entre los tipos y más dentro de las categorías. Los resultados del análisis de datos revelan las conexiones y diferencias intrínsecas entre los datos y proporcionan una base esencial para el posterior análisis de datos y el descubrimiento de conocimientos.

Los algoritmos de optimización de agrupación y extracción de datos basados en RNA de WiMi contienen los siguientes métodos. Particionamiento: Este método encuentra conglomerados esféricos mutuamente excluyentes, con los centros de los conglomerados expresados como medias o centroides. Este algoritmo es adecuado para problemas de agrupación con un número fijo de conglomerados y conjuntos de datos pequeños.

La estrategia de búsqueda aleatoria hace que la agrupación de datos a gran escala sea eficiente y bien escalable. Los algoritmos de clustering particionado pueden paralelizarse fácilmente y han sido muy activos en las plataformas de procesamiento de big data en los últimos años. Jerárquico: Este método se basa en la agrupación por descomposición jerárquica, que realiza una descomposición jerárquica basada en la similitud entre los puntos de datos para generar árboles de agrupación anidados con una estructura jerárquica.

La descomposición jerárquica ascendente corresponde al método coalescente, mientras que la descendente corresponde al método de división. Basado en la densidad: Este algoritmo encuentra conglomerados con formas diferentes sin forzar el cambio de forma de los conglomerados. Es adecuado para conglomerados con números irregulares y formas aleatorias y puede reducir o incluso eliminar el ruido.

Divide las regiones con suficiente densidad en conglomerados y encuentra conglomerados de formas arbitrarias en bases de datos espaciales ruidosas. Define los conglomerados como el conjunto más extenso de puntos con densidad conectada basándose en la densidad local de los puntos muestreados. Basado en cuadrículas: Este algoritmo agrupa el espacio cuantificado en cuadrículas, lo que resulta rápido y potente desde el punto de vista computacional.

El espacio se divide en múltiples cuadrículas y se analizan los datos de la cuadrícula. Agrupación por modelos: Este algoritmo asume que los datos están mezclados según una distribución de probabilidad específica que trabaja para encontrar el mejor ajuste entre los datos y un modelo dado. En esta era de datos masivos, la minería de datos es crucial y sus aplicaciones se están generalizando con una importancia cada vez mayor.

Las empresas que disponen de un almacén de datos o de una base de datos con valor y necesidades analíticas pueden llevar a cabo una minería de datos intencionada para obtener datos valiosos. La elección del método de agrupación determina directamente la calidad de la minería de datos, ya que los algoritmos de optimización de la agrupación pueden manejar datos con características multidimensionales y no correlacionados. La gente busca constantemente mejores métodos de análisis de conglomerados para mejorar la calidad de la agrupación.

El algoritmo de agrupación y optimización de la minería de datos basado en RNA desarrollado por WiMi puede fusionar automáticamente los resultados de la agrupación con una granularidad más pequeña basándose en valores de advertencia predefinidos, lo que evita eficazmente la aparición de resultados de agrupación estrechos debido al número excesivo de conglomerados especificados. Con su capacidad de aprendizaje altamente no lineal, su tolerancia a fallos en datos ruidosos y su gran capacidad para extraer conocimientos basados en reglas, el modelo RNA es superior para el procesamiento de datos y la extracción de conocimientos.