机器学习算法在数据挖掘中的应用
机器学习在数据挖掘中的应用
［ 关键 词】 机器学习； 数据挖掘； 任务类型
一
、
引 言
二、 机器学 习的概念 与发展
机器学习是一种使获取知识 自动化的计算方法 的学 习。机器 学习 的研 究史 大致 经历 了 四个 阶段 ： 第一个 阶段 ，０ ２ 世纪 ５ 年代 的神经模拟和决 ０ 策理论 技术 ，学 习 系统在 运行 时还 很少 具有 结构 或 知识。 主要方法 是建 造神经 网络 和 自组 织学 习系统 ， 学习表现为阈值逻辑单元传送信号的反馈调整。 第二个 阶段 ，０ ２ 世纪 ６ 年代早期开始研究 面 ０ 向概念 的学 习 ， 即符号 学 习。 使用 的工具 是语 义 网络 或谓词 逻辑 。 在概念 获取 中 ， 习系统 通过分 析相关 学 概念 的大量正例 和反 例来构 造概 念 的符 号表 示 。 第 三阶段 ， 开始 于 ２ ０世纪 ７ 代 中期 ， ０年 研究 活 动 日趋 兴旺 ， 种学 习方 法不 断推 出 ， 验系 统大 量 各 实 涌现 ， 机器学习成为人工智能的一个独立研究领域。 第 四阶段 ， ２ 世 纪 ８ 代 中后期 到 现在 ， 从 ０ ０年 进 入到 自动化及模式识别等领域 ，各种学习方法开始 继承 ， 多策略学习已经使学习系统愈具应用价值 ， 开 始从实验室走向应用领域 。而运用机器学习的数据 挖掘在商业领域 中的应用则是最好的例子。
３ ８
习 。神经 网络 的最大 优点是 能精 确地 对 复杂 问题 进 Ｄ Ｍ ， Ｂ Ｓ所以与其他信息系统的易整合性也是一个需 行 预测 。 要 的特性。不同的机器学习技术需要终端用户具有
（ ） 三 事例推理（ ｅｂｓｄ ｅｓ ｉｇ 每个事例 ｃ —ａ ａ ｎ ） ｓ ａ ｅｒ ｏｎ ： 定程度的工具知识和领域知识 ，一些技术还需要 包括两部分内容 ： 问题描述和问题的解决方法ｆ 可能 对数据进行大量的预处理工作 ，因此对于终端用户 是一个过程描述或者一个等级分类） 。提出问题后 ， 来说 ，易于理解和需要较少预处理工作的机器学习 系统会寻找匹配事例和解决方法。其优点是能够较 技术是比较好的。 好地处理污染数据和缺失数据 ，非常适用于有大量 机器学习技术 的特性随着数据挖掘应用中数据 事例 的领域。 随着技术的成熟 ， 相信这一方法的应用 和操作特性的变化而变化。表 １ 中对不同的机器学 会大 大增加 。 习技术 进行 了比较 。 （ ） 四 遗传算法 （ ｎｔ ｇｒｈ ｓ： ｇ ｅｃ ｌ ｉｍ ）遗传算 法是 ｅ ｉａ ｏｔ 五、 机器学 习方 法与数据挖掘任务类型 种基于生物进化过程的组合优化 表 １ 机器学 习技术的特性 方法 ， 基本思想是适者生存 ， 求得最 佳或较佳的个体 。操作过程包括繁 规则 归纳 神 经 网络 事 例推 理 遗 传 算法 归纳 性 逻辑 设计 非 常 好 好 非 常 好 差 殖、 杂交和变异。 遗传算法的优点是 处 理 噪音 数 据 的 能力 好 处 理缺 失 数 据 的能 力 好 好 非 常好 好 差 能 够较 好地 处 理 污染 数据 和 缺失 数 处 理大 型 数据 集 非 常好 差 好 好 差 据， 易于和其他系统集成 。 处理不 同的数据类型 好 需对数字类 非常好 需要数 处理数字数据 （ ） 纳性 逻辑 设 计 （ ｄｃｉ 五 归 ｉ ｕｔ ｅ ｎ ｖ 型 进 行转 化 据 转 化 比较 困难 高 很 高 高 高 依 赖 域 ｌ ｉｐｏｒｍｍｎ ）归 纳 性逻辑 设 计 预 测 精 度 ｏ ｃ ｒｇａ ｉｇ ： ｇ 可 解 释 性 非常 好 差 非 常 好 好 非 常好 用 一 级属 性 逻辑 来定 义 、 述概 念 。 描 整 合 的 容 易度 好 好 好 非 常好 非 常好 首 先 定义 正 面 和负 面 的例 子 ，然 后 操 作 的 容 易性 容易 困难 容 易 困难 困难 对新例子进行等级划分 。这一方法 具 有 较强 的概 念 描述 机 制 ，能较 好 数据挖掘的机器学习方法在商业应用时的任务 地 表达复 杂关 系 。 类 型可 以归结 为如下 四种 ：
人工智能的数据挖掘与应用
人工智能的数据挖掘与应用近年来，人工智能（AI）技术在各行各业中得到了广泛的应用，其中数据挖掘是人工智能最为关键的一环。
数据挖掘可以帮助人们从庞杂的数据中发现有价值的信息，为企业、政府和个人提供决策支持，推动社会进步。
一、什么是数据挖掘？数据挖掘是指从大量数据中自动或半自动地提取出有用的信息、模式和规律的技术。
数据挖掘可以应用于各种数据类型，如结构化数据、半结构化数据和非结构化数据，包括文本、视频和图像等。
数据挖掘需要结合多个学科，如数据库、统计学、机器学习和人工智能等。
它可以帮助人们从海量的数据中发现隐藏的规律和趋势，预测未来的趋势和事件，同时也可以发现异常和错误，提高数据质量。
二、人工智能在数据挖掘中的应用人工智能技术在数据挖掘中的应用越来越广泛，主要包括以下几个方面：1、分类和预测。
使用机器学习算法对数据进行分类和预测，可以帮助人们快速准确地分析数据，提高决策效率。
例如，在金融行业中，可以通过分析借款人的信用记录和借款用途等数据，预测借款人是否会按时还款，从而提高贷款的风险控制能力。
2、聚类分析。
通过聚类分析算法，可以将数据进行分组，识别出不同的数据集群，从而为企业提供营销、产品推广和服务优化等方面的支持。
例如，在电子商务行业中，可以通过分析用户在网站上的浏览记录和购买记录等数据，将其分为不同的用户群体，然后采取不同的营销策略来提升产品和服务的销售量。
3、关联规则挖掘。
通过关联规则挖掘算法，可以发现数据中的交叉项和相关性，为企业提供产品组合和营销策略的决策支持。
例如，在超市行业中，可以通过分析不同商品之间的关联性，推出更符合用户需求的商品组合，提高超市的销售量和用户满意度。
三、人工智能数据挖掘的挑战与机遇尽管人工智能技术在数据挖掘中有着广泛的应用，但也面临着一些挑战。
首先，数据的质量和规模对数据挖掘的质量和可信性有着至关重要的影响。
当前大多数数据挖掘技术都需要使用大数据来进行模型训练和验证，但大数据的收集和管理也面临着一些难题。
机器学习与数据挖掘
机器学习与数据挖掘机器学习和数据挖掘是近年来非常火热的话题，从业者越来越多，也吸引了很多人的关注。
本文将从什么是机器学习和数据挖掘开始，深入分析它们的应用和未来的发展方向。
一、什么是机器学习和数据挖掘1.1 机器学习机器学习是一种人工智能的分支，旨在研究如何使计算机具有类似于人类智能的学习、自适应、推理和判断等功能。
机器学习依靠数据、算法和模型进行学习和预测，通过不断的迭代和优化，让计算机可以自己从数据中学习并做出决策。
在实际应用中，机器学习可以用于图像识别、语音识别、自然语言处理、推荐系统、医疗诊断等领域，通过对数据的学习和分析，自动发现其中的特征、规律和模式，并将其应用到实际场景中。
1.2 数据挖掘数据挖掘是从大量的数据中自动发现有用的信息，再转化为可理解和可用的模式的过程。
数据挖掘可以帮助企业发现数据背后隐藏的价值和规律，从而支持决策和业务发展。
数据挖掘技术通常包括分类、聚类、关联规则挖掘、异常检测等，其中分类是将对象分成不同的类别，聚类是将对象分成相似的类别，关联规则挖掘是寻找数据之间的关联关系，异常检测是寻找异常或不寻常的数据。
通过这些技术，数据挖掘可以为企业提供更优的决策支持和商业价值。
二、机器学习和数据挖掘的应用2.1 图像识别图像识别是机器学习领域的热门应用之一，通过训练模型从图像中自动提取特征，实现自动化分类、检测、跟踪等功能。
图像识别技术已经广泛应用于智能家居、无人驾驶、安防监控等领域，为人们的生活和工作带来了便利和安全。
2.2 自然语言处理自然语言处理是一种将计算机与人类语言联系起来的技术，它旨在让计算机能够理解、分析和产生人类语言。
自然语言处理已经被广泛应用于搜索引擎、机器翻译、智能客服、语音识别等领域，为人们提供了更方便的沟通和信息获取方式。
2.3 推荐系统推荐系统是根据用户历史行为和兴趣，向用户推荐他们可能感兴趣的产品或服务的系统。
推荐系统广泛应用于电商、社交媒体、视频网站等领域，为用户提供了更加智能化、个性化的服务。
数据挖掘方法及其应用研究
数据挖掘方法及其应用研究数据挖掘是一种从大量数据中自动发掘出有用信息的技术，对于信息化时代的企业而言，数据挖掘技术的应用已经成为了提高业务水平和核心竞争力的必备手段。
本文将从数据挖掘的方法、应用以及研究方面进行探讨。
一、数据挖掘的方法数据挖掘的方法主要是基于数据分析和机器学习的，其中数据分析主要包括关联规则和分类预测等。
首先，关联规则挖掘是指在数据集中发掘出事物之间的关联性，比如“如果顾客购买了巧克力，那么他们很有可能也会购买口香糖”，而分类预测则是对数据进行分类，比如“根据用户的浏览记录，预测他们最可能会购买哪些商品”。
而机器学习是数据挖掘的核心技术，它是一种通过数据自我修正以提高性能的方法。
常见的机器学习方法包括决策树、神经网络以及聚类等。
决策树是一种用于分类和预测的树形结构，它将数据以节点的形式进行分类，直到数据达到叶节点，从而做出相应的决策；神经网络则是通过构建一种类比于人类大脑的模型来识别模式，进行分类或预测；而聚类则是在数据集中查找相似之处并将数据分组的方法。
二、数据挖掘的应用数据挖掘技术在各行各业的应用越来越广泛，比如在金融行业中常用于信用评估、欺诈检测以及风险管理等方面。
在零售业中，数据挖掘技术可以用于用户行为分析及商品推荐，以此提高销售额和用户忠诚度。
而在医疗领域，数据挖掘技术则可以用来提高早期预警、疾病诊断和药物研发等方面的能力。
此外，数据挖掘技术在交通、安全、舆情监测及人工智能等领域也发挥着越来越重要的作用。
三、数据挖掘的研究在数据挖掘的研究方面，目前有诸多的挑战。
首先，各类数据源的结构化程度参差不齐，挖掘数据的质量和有效性面临着较大的挑战。
其次，代表性和可扩展性是数据挖掘领域中的两大难点，它们影响着数据挖掘结果的可靠性和准确性。
另外，数据挖掘算法的集成和融合也是研究方向之一，通过多种算法的组合和协同来解决特定问题，进一步提高数据挖掘的效率和准确性。
最后，隐私保护和信息安全问题也是需要重点关注的研究方向，保障数据隐私的同时，也使得挖掘结果更加可靠。
机器学习与数据挖掘的关系
机器学习与数据挖掘的关系机器学习和数据挖掘是两个在信息技术领域中备受关注的领域。
它们都关注于从数据中提取出有用的信息，但又有着一些区别。
本文将讨论机器学习与数据挖掘的关系以及它们之间的联系和区别。
一、机器学习的概念和原理机器学习是一种从经验中学习的人工智能方法。
它旨在通过构建和训练模型，使机器能够从数据中发现规律、做出预测和优化决策。
机器学习的核心原理是通过对大量的数据进行学习，自动发现数据中的模式和关联性，并将其应用于未来的数据。
机器学习有不同的算法和模型，如监督学习、无监督学习和强化学习。
监督学习通过已有的标记数据来训练模型，预测新数据的标签，如分类和回归任务。
无监督学习则不需要标记数据，通过寻找数据中的隐含结构来聚类和降维。
强化学习则是通过与环境互动，通过试错学习来优化决策策略。
二、数据挖掘的概念和应用数据挖掘是从大规模数据集中提取出有价值的信息和模式的过程。
数据挖掘的目标是揭示数据中的隐藏知识，帮助人们做出决策和预测。
数据挖掘的技术包括聚类、关联规则挖掘、预测建模等。
聚类是将数据集分成不同的组，每个组内的数据相似度较高，组间的数据差异较大。
关联规则挖掘旨在找到数据中的关联性，例如超市购物篮分析中的热销商品组合。
预测建模则是通过已有的数据，建立模型来预测未来的趋势和结果。
三、机器学习与数据挖掘的关系机器学习和数据挖掘有很大的关联性，它们都涉及从数据中发现模式和知识。
机器学习更加强调通过机器自动学习的方式，从数据中构建模型和做出预测。
而数据挖掘则更加关注于发现数据中的有价值的信息和模式。
机器学习的算法和模型在数据挖掘中起着重要的作用。
例如，聚类算法可以用于数据挖掘中的样本分类和规律挖掘。
而预测建模则可以应用于数据挖掘中的趋势预测和行为分析。
此外，机器学习和数据挖掘都需要对数据进行预处理和特征工程。
预处理包括数据清洗、归一化等步骤，以保证数据的质量和一致性。
特征工程则是对原始数据进行选择、构造和转换，以提取有用的特征供算法和模型使用。
数据挖掘的算法学习及应用实例
数据挖掘的算法学习及应用实例随着互联网和移动互联网的普及，我们已经进入了一个“大数据”时代。
大数据给我们带来了无限可能和商机，但是海量的数据也带来了难以处理和分析的问题。
这时，数据挖掘技术就应运而生。
数据挖掘是利用自动化技术挖掘数据的潜在价值，并发现数据之间的关联、规律和模式的过程。
数据挖掘技术能够帮助我们在海量数据中找到有用的信息，并为决策提供支持。
数据挖掘领域有很多经典算法，如决策树、聚类算法、分类算法和关联规则挖掘等。
这些经典算法都是在不同场景下被提出来，并得到大量的应用和改进。
决策树是一种利用树状结构进行决策的算法。
它可以将数据划分为不同的子集，并利用这些子集进行决策。
决策树是一种常见的分类算法，它可以通过训练数据集来构建预测模型。
决策树构建的过程是一个自下而上的过程，最终得到一个树状结构。
决策树的应用十分广泛，如客户分类、药物研发、疾病诊断等。
聚类算法是一种基于相似度度量的算法。
聚类算法将数据分成不同的类别，每个类别包含相似的数据点。
聚类算法有层次聚类和非层次聚类两种方法。
层次聚类是将数据点分成多个子集，然后将这些子集合并成更大的子集。
而非层次聚类则是根据相似度来将数据点分组。
聚类算法可以应用于市场分析、社交网络分析等。
分类算法可以将数据分类为不同的类别。
分类算法通常使用监督学习的方法，通过训练数据集来构建预测模型。
分类算法的应用范围很广，如电子商务、生物医学、语音识别等。
常见的分类算法包括线性回归、逻辑回归、朴素贝叶斯和支持向量机等。
关联规则挖掘是一种可以发现数据之间相关性的算法。
关联规则挖掘通常用于购物篮分析，如“买了A也会买B”，“买了C也会买D”。
关联规则挖掘可以帮助商家制定营销策略，提高效益。
除了这些经典算法，数据挖掘领域还有很多新兴的算法出现。
例如深度学习、图挖掘等。
随着人工智能和机器学习的发展，这些新兴算法的应用获得越来越多的关注和重要性。
数据挖掘技术不仅在商业领域有着广泛的应用，它也可以在科学领域、医疗领域、教育领域等方面得到广泛的应用。
数据挖掘与机器学习算法
数据挖掘与机器学习算法数据挖掘和机器学习算法是现代科技领域中十分重要且受瞩目的研究方向。
数据挖掘利用统计学、数学和计算机科学等领域的知识和技术，从大量数据中发现隐藏的、有用的信息。
而机器学习算法则是指让计算机自动从数据中学习和改进的一类算法。
本文将介绍数据挖掘和机器学习算法的基本概念、分类和应用。
一、数据挖掘概述数据挖掘是指从大量数据中发现潜在的、有用的模式和知识的过程。
其目标是利用计算机技术自动地从数据中提取出有意义的信息，以便支持决策和预测。
数据挖掘可以理解为一个从数据中挖掘宝藏的过程，通过分析数据中的模式、趋势和规律，帮助人们做出更加合理的决策。
二、机器学习算法概述机器学习算法是让计算机系统从经验中自动学习和改进的一种算法。
这些算法通过分析和解释数据，构建一个模型来理解和预测未知数据。
机器学习包括监督学习、无监督学习和增强学习等不同的学习方式。
监督学习是通过对已知数据进行标记来训练模型，无监督学习则是在没有标记的数据中寻找隐藏的结构和模式，增强学习通过试错过程来优化模型的行为。
三、数据挖掘与机器学习算法分类基于不同的任务和数据类型，数据挖掘和机器学习算法可以分为多种类型。
常见的算法包括决策树算法、贝叶斯算法、支持向量机算法、聚类算法、关联规则挖掘算法等。
决策树算法利用树形结构进行分类和回归分析，贝叶斯算法根据贝叶斯定理进行概率推断，支持向量机算法通过定义线性或非线性边界进行分类，聚类算法通过将相似的数据分组以发现数据内在的结构，关联规则挖掘算法用于发现数据项之间的关联关系。
四、数据挖掘与机器学习算法应用数据挖掘和机器学习算法在各个领域都有广泛的应用。
在金融领域，可以通过数据挖掘算法进行风险管理、信用评估和交易预测等；在医疗领域，可以使用机器学习算法进行疾病诊断、药物研发和基因分析等；在推荐系统中，可以利用协同过滤算法和关联规则挖掘算法为用户提供个性化的推荐服务；在图像处理和语音识别领域，可以应用深度学习算法进行目标检测和语音识别等。
机器学习与数据挖掘
机器学习与数据挖掘机器学习和数据挖掘是当今信息时代中最热门和迅速发展的领域之一。
随着大数据的兴起，许多行业正积极采用机器学习和数据挖掘技术来发掘数据中的潜在规律和价值。
本文将介绍机器学习和数据挖掘的概念、应用以及未来的发展趋势。
一、机器学习的概念与应用机器学习是一种人工智能的分支，它通过让计算机从数据中学习和获取知识，从而实现具备智能的决策与预测能力。
机器学习的应用非常广泛，例如智能语音助手、推荐系统、虚拟现实等领域都能够看到机器学习的身影。
以智能语音助手为例，通过机器学习技术，它能够识别和理解人类的语音指令，并根据指令提供相应的服务。
这需要大量的数据样本来训练模型，通过模型的不断优化，语音助手的识别准确率和交互能力得到了显著提升。
二、数据挖掘的概念与应用数据挖掘是一种从大量数据中发现有价值的信息和规律的过程。
它通过应用统计学、人工智能和机器学习等技术，来发现数据中的模式和趋势，从而为决策提供有价值的参考。
数据挖掘在商业、金融、医疗等领域都有着广泛的应用。
以电商行业为例，通过数据挖掘技术，企业可以对用户的购买行为和偏好进行分析，从而实现个性化推荐和精准营销。
同时，数据挖掘也可以帮助企业识别欺诈行为和异常操作，提高风控能力。
三、机器学习与数据挖掘的关系机器学习和数据挖掘密切相关，二者之间存在着相互渗透和相互促进的关系。
机器学习是实现数据挖掘的重要手段，而数据挖掘则为机器学习提供了应用场景和问题解决的需求。
在机器学习中，数据挖掘是对数据进行特征提取和预处理的基础，为机器学习算法提供了优质的输入。
而机器学习则可以帮助数据挖掘从海量的数据中挖掘出更深层次的规律和知识。
四、机器学习与数据挖掘的未来发展趋势机器学习和数据挖掘在未来将继续迎来更广阔的发展空间和机会。
随着人工智能的不断发展，机器学习和数据挖掘将在更多的领域实现突破和应用。
首先，随着5G技术的普及和大数据的快速增长，机器学习和数据挖掘将有更丰富的数据来源，这将进一步提高算法的准确性和可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机器学习算法在数据挖掘中的应用
作者：朱天元
来源：《数字技术与应用》2017年第03期
摘要：近些年，国内社会有了很大发展，各种先进技术和理念不断得到应用和发展，机器学习算法就是一种新型算法，在各行各业中都有很大作用。
本文主要对机器学习算法在数据挖掘中的应用进行详细研究，首先借助大量移动终端数据，对GSM网络的户外终端进行有效定位，提出三个阶段的定位算法，进而使定位速度和精度有很大提高。
关键词：机器学习算法；数据挖掘；户外定位
中图分类号：TP311 文献标识码：A 文章编号：1007-9416（2017）03-0166-01
1 数据挖掘概述
在数据挖掘算法内，机器学习与统计算法是比较常见的两种，第一种是借助人工智能技术，可以在大量的样本集训练与学习之后，自动的找到运算所需的模式和参数，第二种是借助判别和概率分析、聚类和相关性分析等开展运算，不同的算法也有不同对应的目标和领域，这些算法可以独自进行使用，也能够互相结合。
机器学习算法内人工神经网络这种方法应用范围比较广泛，具备很好的处理数据能力与自组织学习的能力，还可以进行准确的识别，进而有利于对分类型问题数据进行处理。
可以借助建模进行工作，模型比较多样，可以对不同的需求进行满足，从整体出发，这一方法的模型具有较高精度，鲁棒性比较好，描述能力也比较强，进行应用时不需要借助专家的支持，但是也有一些缺陷，训练数据时需要花费较多时间，对知识进行理解时也不是很智能，伸缩性和开放性也存在局限。
2 以机器学习算法为基础的GSM网络定位
（1）定位问题的建模。
以支持向量机定位方式为基础，把定位区域栅格化，较小的栅格区域被抽象成类别，然后在定位区域中收集大量终端测量信息，如果要对移动终端进行定位，就需要利用计算对接收测量报告，然后对栅格内村练技术划分收集报告相似性或者距离度量，进而对待定位移动终端栅格进行判断，使用机器学习对这一分类现象进行求解。
（2）采集数据和预处理。
此次研究仿真数据都来自某一周边长是10km的城市，在这一区域的内部有4个时间不同的短路，测量得出4批数据，为了确保以机器学习方法进行定位的有效性，把利用线所测的3批数据当做训练数据，最后得到的数据集当做定位数据，对这批数据周围10米内，有前3组训练数据的集中数据进行删除。
在得到待定位的数据之后，需要把
不同时间的间隔当做依据，对然后把一致通话内相邻的定位数据进行合并，求取出相同通话内同一基站接受电平与多个相邻定位数据的经纬度平均值。
把这一数值作为新的定位数据，因为在相同通话相邻的测量报告内，存在很强相关性，所以需要对其进行合并，然后进行定位，这样能够去噪，还可以极大的降低定位所需的数据量，进而有效提升定位精度和速度。
（3）以基站的经纬度为基础的初步定位。
以机器学习为基础的移动终端定位计算的复杂性和使用机器学习的程度和定位区域的面积有正相关的关系，区域的面积越大，回归模型和分类也就更复杂，在定位移动终端时，就要对函数计算有更多的决策，所使用机器学习算法时，增加定位地区的面积，能够极大提升这一算法定位和训练时需要的时间复杂度。
以基站的经纬度为基础进行初步定位，具体的步骤如下，需要把边长是10千米的正方形分成1千米的小栅格，如果对定位数据集内的数据进行定位操作，就把主服务小区的基站经纬度为基础对边长为1千米的栅格开展计算，因为时区中移动终端和主服务小区的基站一般有不超过500米的距离，如果要获取边长1千米的栅格，就说明定位中心是栅格边长是1千米的2千米栅格内，所以这是机器学习算法定位阶段定位的区域。
（4）以向量机为基础的二次定位。
在进行初步定位后，选择一个2千米边长的正方形，因为第一级支持向量机定位的范围是400米，第二季向量机对100米栅格的待定数据进行输出，定位结果的输出也就是以100米栅格为核心的经纬度。
和一级向量机的定位相比较，二级向量机在定位时计算的复杂度比较小，在分类后对向量机进行计算时主要是决策函数计算与待分类样本点所有类别向量机计算，如果得到的分类和全部向量机都有n数据，就要同时利用成对分类方法对众多分类问题进行处理。
定位的精度会随栅格的变小而更高，因为增加分类的问题总量，定位的复杂度也得到增加，第一级向量机进行定位对栅格的大小进行选择时，要对第二级栅格的大小决定后，把第一级与第二级分类的问题总量的最小化为根据进行选择，保证在最小定位的阶段对总量进行计算。
（5）以K-近邻法为基础的三次定位。
首先要确定定位的区域，在二次输出后输出经纬度，借助经纬度选择，选择边长区域，这是定位的基础。
接着是定位模型的训练，K-近邻法定位方法在训练阶段需要集中训练的数据，以大小为参考依据进行合并，能够有效的减少定位运算的次数，但是选择的合并区域越大，定位的精度也就越低。
3 结语
综上所述，机器学习算法在数据挖掘中的应用具有重要意义，能够有效提升定位的速度和精度，因此需要引起相关人员的重视，不断对其进行改进与完善，切实发挥出机器学习算法的作用，进而解决户外移动终端的定位问题。
参考文献
[1]陈小燕，CHENXiaoyan.机器学习算法在数据挖掘中的应用[J].现代电子技术，2015，v.38；No.451（20）：11-14.
[2]李运.机器学习算法在数据挖掘中的应用[D].北京邮电大学，2014.
[3]莫雪峰.机器学习算法在数据挖掘中的应用[J].科教文汇，2016（7）：175-178.。