商务智能应用中数据挖掘KNN算法的改进与高性能程序的实现

摘要

当今的时代是信息化的时代，随着计算机和网络的迅速发展，在日常生活中会产生越来越多的数据。人们在享受信息化网络系统带来便利的同时，也遗憾有非常多的信息被淹没在了数据之中。如何整理和管理这些宝贵的数据，怎么才能更好更有效的使用这些数据，成为一个迫切而重要的问题。
　　 数据挖掘无疑是针对这个问题而产生的一门非常有实际应用价值的学科。研究数据挖掘技术，可以更好的组织管理信息，让数据更好的服务人类，而不是随着时间付之东流。
　　 KNN算法也就是K近邻算法，是由Cover和Hart于1968年提出的一种数据挖掘方法。这种方法非常容易理解，在之后也得到了更深入的研究和应用。它也是非参数算法中一个重要的方法。KNN，K近邻算法是最近邻的扩展。其中K值越大那么贝叶斯错误率就越低，当然运算产生的开销也是随着增大的。本论文就是通过改进的KNN算法，使得基于KNN算法的应用不仅更具有针对性和有效性。而且还可以缩短开销提升可行性。
　　 CUDA编程模型，是基于GPU的编程模型。这种模型无疑针对KNN算法这种大规模运算更加有效。由于其编程特点具有绝对的并行特征。那么在运算过程中，这种基于CUDA的改进可以大大的提高GPU的运算效率。
　　 KNN算法通过计算样本个体之间的距离或者相似度来寻找与每个样本个体最相近的K个个体，在这个过程中需要完成一次样本个体的两两比较，所以算法的时间复杂度，跟样本的个数直接相关。K最近邻算法通常情况下是用于分类的，这只是对K近邻算法用途的本质说明。从实际来看，K近邻算法可以应用的地方还有很多，比如系统推荐等等。简单的讲，就是挖掘出客户喜欢的相同商品，来进行相似物品的推荐。另外区分客户群体，从而使我们更好的为客户服务。