《Python數(shù)據(jù)分析基礎(chǔ)與案例實(shí)戰(zhàn)》第10章 基于TipDM大數(shù)據(jù)挖掘建模平臺(tái)實(shí)現(xiàn)運(yùn)輸車輛駕駛行為分析

基于TipDM大數(shù)據(jù)挖掘建模平臺(tái)實(shí)現(xiàn)運(yùn)輸車輛駕駛行為分析1實(shí)現(xiàn)運(yùn)輸車輛駕駛行為分析目錄

TipDM大數(shù)據(jù)挖掘建模平臺(tái)簡(jiǎn)介2TipDM大數(shù)據(jù)挖掘建模平臺(tái)是由廣東泰迪智能科技股份有限公司自主研發(fā)，面向大數(shù)據(jù)挖掘項(xiàng)目的工具。平臺(tái)使用Java語言開發(fā)，采用B/S結(jié)構(gòu)，用戶不需要下載客戶端，可通過瀏覽器進(jìn)行訪問。平臺(tái)提供了基于Python、R以及Hadoop/Spark分布式引擎的大數(shù)據(jù)分析功能。平臺(tái)支持工作流，用戶可在沒有Scala、Python、R等編程語言基礎(chǔ)的情況下，通過拖曳的方式進(jìn)行操作，以流程化的方式將數(shù)據(jù)輸入輸出、統(tǒng)計(jì)分析，數(shù)據(jù)預(yù)處理、分析與建模等環(huán)節(jié)進(jìn)行連接，從而達(dá)成大數(shù)據(jù)分析的目的。讀者可通過訪問平臺(tái)查看具體的界面情況，訪問平臺(tái)的具體步驟如下。微信搜索公眾號(hào)“泰迪學(xué)院”或“TipDataMining”，關(guān)注公眾號(hào)。關(guān)注公眾號(hào)后，回復(fù)“建模平臺(tái)”，獲取平臺(tái)訪問方式。平臺(tái)簡(jiǎn)介平臺(tái)的界面如圖所示。平臺(tái)簡(jiǎn)介本章將以運(yùn)輸車輛駕駛行為案例為例，介紹如何使用平臺(tái)實(shí)現(xiàn)案例的流程。在介紹之前，需要引入平臺(tái)的幾個(gè)概念。算法：將建模過程涉及的輸入/輸出、數(shù)據(jù)探索及預(yù)處理、建模、模型評(píng)估等算法分別進(jìn)行封裝，每一個(gè)封裝好的算法模塊稱之為算法。實(shí)訓(xùn)：為實(shí)現(xiàn)某一數(shù)據(jù)分析目標(biāo)，將各算法通過流程化的方式進(jìn)行連接，整個(gè)數(shù)據(jù)分析流程稱為一個(gè)實(shí)訓(xùn)。模板：用戶可以將配置好的實(shí)訓(xùn)，通過模板的方式，分享給其他用戶，其他用戶可以使用該模板，創(chuàng)建一個(gè)無需配置算法便可運(yùn)行的實(shí)訓(xùn)。平臺(tái)簡(jiǎn)介TipDM大數(shù)據(jù)挖掘建模平臺(tái)主要有以下幾個(gè)特點(diǎn)。平臺(tái)算法基于Python、R以及Hadoop/Spark分布式引擎，用于數(shù)據(jù)分析。Python、R以及Hadoop/Spark是目前最為流行的用于數(shù)據(jù)分析的語言，高度契合行業(yè)需求。用戶可在沒有Python、R或者Hadoop/Spark編程基礎(chǔ)的情況下，使用直觀的拖曳式圖形界面構(gòu)建數(shù)據(jù)分析流程，無須編程。提供公開可用的數(shù)據(jù)分析示例實(shí)訓(xùn)，一鍵創(chuàng)建，快速運(yùn)行。支持挖掘流程每個(gè)節(jié)點(diǎn)的結(jié)果在線預(yù)覽。Python算法包可分為10大類：統(tǒng)計(jì)分析、預(yù)處理、腳本分類、聚類、回歸、時(shí)間序列、關(guān)聯(lián)規(guī)則、文本分析、繪圖。Spark算法包可分為6大類：預(yù)處理、統(tǒng)計(jì)分析、分類、聚類、回歸、協(xié)同過濾。R語言算法包可分為8大類：統(tǒng)計(jì)分析、預(yù)處理、腳本、分類、聚類、回歸、時(shí)間序列、關(guān)聯(lián)規(guī)則。下面將對(duì)平臺(tái)【實(shí)訓(xùn)庫】【數(shù)據(jù)連接】【實(shí)訓(xùn)數(shù)據(jù)】【我的實(shí)訓(xùn)】【系統(tǒng)算法】和【個(gè)人算法】6個(gè)模塊進(jìn)行介紹。平臺(tái)簡(jiǎn)介登錄平臺(tái)后，用戶即可看到【實(shí)訓(xùn)庫】模塊系統(tǒng)提供的示例實(shí)訓(xùn)（模板），如圖所示。實(shí)訓(xùn)庫【實(shí)訓(xùn)庫】模塊主要用于標(biāo)準(zhǔn)大數(shù)據(jù)分析案例的快速創(chuàng)建和展示。通過【實(shí)訓(xùn)庫】模塊，用戶可以創(chuàng)建一個(gè)無須導(dǎo)入數(shù)據(jù)及配置參數(shù)就能夠快速運(yùn)行的實(shí)訓(xùn)。同時(shí)，每一個(gè)模板的創(chuàng)建者都具有模板的所有權(quán)，能夠?qū)δ０暹M(jìn)行管理。用戶可以將自己搭建的數(shù)據(jù)分析實(shí)訓(xùn)生成為模板，顯示在【實(shí)訓(xùn)庫】模塊，供其他用戶一鍵創(chuàng)建。實(shí)訓(xùn)庫【數(shù)據(jù)連接】模塊支持從DB2、SQLServer、MySQL、Oracle、PostgreSQL等常用關(guān)系型數(shù)據(jù)庫導(dǎo)入數(shù)據(jù)，如圖所示。數(shù)據(jù)連接【實(shí)訓(xùn)數(shù)據(jù)】模塊主要用于數(shù)據(jù)分析實(shí)訓(xùn)的數(shù)據(jù)導(dǎo)入與管理。支持從本地導(dǎo)入任意類型數(shù)據(jù)。如圖所示。實(shí)訓(xùn)數(shù)據(jù)除了導(dǎo)入本地的文件外，還可以通過連接的數(shù)據(jù)庫進(jìn)行導(dǎo)入數(shù)據(jù)，如圖所示。實(shí)訓(xùn)數(shù)據(jù)【我的實(shí)訓(xùn)】模塊主要用于數(shù)據(jù)分析流程化的創(chuàng)建與管理，如圖所示。通過【實(shí)訓(xùn)】模塊，用戶可以創(chuàng)建空白實(shí)訓(xùn)，進(jìn)行數(shù)據(jù)分析實(shí)習(xí)的配置，將數(shù)據(jù)輸入輸出、數(shù)據(jù)預(yù)處理、挖掘建模、模型評(píng)估等環(huán)節(jié)通過流程化的方式進(jìn)行連接，達(dá)到數(shù)據(jù)分析的目的。對(duì)于完成的優(yōu)秀的實(shí)訓(xùn)，可以將其保存為模板，讓其他使用者學(xué)習(xí)和借鑒。我的實(shí)訓(xùn)【系統(tǒng)算法】模塊主要用于大數(shù)據(jù)分析內(nèi)置常用算法的管理，提供Python、R語言、Spark三種算法包，如圖所示。系統(tǒng)算法Python算法包可分為10大類，具體如下?！窘y(tǒng)計(jì)分析】類提供對(duì)數(shù)據(jù)整體情況進(jìn)行統(tǒng)計(jì)的常用算法，包括因子分析、全表統(tǒng)計(jì)、正態(tài)性檢驗(yàn)、相關(guān)性分析、卡方檢驗(yàn)、主成分分析和頻數(shù)統(tǒng)計(jì)?！绢A(yù)處理】類提供對(duì)數(shù)據(jù)進(jìn)行清洗的算法，包括數(shù)據(jù)標(biāo)準(zhǔn)化、缺失值處理、表堆疊、數(shù)據(jù)篩選、行列轉(zhuǎn)置、修改列名、衍生變量、數(shù)據(jù)拆分、主鍵合并、新增序列、數(shù)據(jù)排序、記錄去重和分組聚合?！灸_本】類提供一個(gè)Python代碼編輯框。用戶可以在代碼編輯框中粘貼已經(jīng)寫好的程序代碼并直接運(yùn)行，無須再額外配置成算法。【分類】類提供常用的分類算法，包括樸素貝葉斯、支持向量機(jī)、CART分類樹、邏輯回歸、神經(jīng)網(wǎng)絡(luò)和K最近鄰?！揪垲悺款愄峁┏Ｓ玫木垲愃惴?，包括層次聚類、DBSCAN密度聚類和K-Means。系統(tǒng)算法【回歸】類提供常用的回歸算法，包括CART回歸樹、線性回歸、支持向量回歸和K最近鄰回歸。【時(shí)間序列】類提供常用的時(shí)間序列算法，包括ARIMA?！娟P(guān)聯(lián)規(guī)則】類提供常用的關(guān)聯(lián)規(guī)則算法，包括Apriori和FP-Growth。【文本分析】類提供對(duì)文本數(shù)據(jù)進(jìn)行清洗、特征提取與分析的常用算法，包括TextCNN、seq2seq、jieba分詞、HanLP分詞與詞性、TF-IDF、doc2vec、word2vec、過濾停用詞、LDA、TextRank、分句、正則匹配和HanLP實(shí)體提取?！纠L圖】類提供常用的畫圖算法，包括柱形圖、折線圖、散點(diǎn)圖、餅圖和詞云圖。系統(tǒng)算法Spark算法包可分為6大類，具體如下?！绢A(yù)處理】類提供對(duì)數(shù)據(jù)進(jìn)行清洗的算法，包括數(shù)據(jù)去重、數(shù)據(jù)過濾、數(shù)據(jù)映射、數(shù)據(jù)反映射、數(shù)據(jù)拆分、數(shù)據(jù)排序、缺失值處理、數(shù)據(jù)標(biāo)準(zhǔn)化、衍生變量、表連接、表堆疊、啞變量和數(shù)據(jù)離散化?！窘y(tǒng)計(jì)分析】類提供對(duì)數(shù)據(jù)整體情況進(jìn)行統(tǒng)計(jì)的常用算法，包括行列統(tǒng)計(jì)、全表統(tǒng)計(jì)、相關(guān)性分析和卡方檢驗(yàn)?！痉诸悺款愄峁┏Ｓ玫姆诸愃惴?，包括邏輯回歸、決策樹、梯度提升樹、樸素貝葉斯、隨機(jī)森林、線性支持向量機(jī)和多層感知神經(jīng)網(wǎng)絡(luò)?！揪垲悺款愄峁┏Ｓ玫木垲愃惴ǎ↘-Means聚類、二分K均值聚類和混合高斯模型。【回歸】類提供常用的回歸算法，包括線性回歸、廣義線性回歸、決策樹回歸、梯度提升樹回歸、隨機(jī)森林回歸和保序回歸?！緟f(xié)同過濾】類提供常用的智能推薦算法，包括ALS算法。系統(tǒng)算法R語言算法包可分為8大類，具體如下。【統(tǒng)計(jì)分析】類提供對(duì)數(shù)據(jù)整體情況進(jìn)行統(tǒng)計(jì)的常用算法，包括卡方檢驗(yàn)、因子分析、主成分分析、相關(guān)性分析、正態(tài)性檢驗(yàn)和全表統(tǒng)計(jì)?！绢A(yù)處理】類提供對(duì)數(shù)據(jù)進(jìn)行清洗的算法，包括缺失值處理、異常值處理、表連接、表堆疊、數(shù)據(jù)標(biāo)準(zhǔn)化、記錄去重、數(shù)據(jù)離散化、排序、數(shù)據(jù)拆分、頻數(shù)統(tǒng)計(jì)、新增序列、字符串拆分、字符串拼接、修改列名和衍生變量?！灸_本】類提供一個(gè)R語言代碼編輯框。用戶可以在代碼編輯框中粘貼已經(jīng)寫好的程序代碼并直接運(yùn)行，無須再額外配置成算法。系統(tǒng)算法【分類】類提供常用的分類算法，包括樸素貝葉斯、CART分類樹、C4.5分類樹、BP神經(jīng)網(wǎng)絡(luò)、KNN、SVM和邏輯回歸?！揪垲悺款愄峁┏Ｓ玫木垲愃惴ǎ↘-Means、DBSCAN和系統(tǒng)聚類?！净貧w】類提供常用的回歸算法，包括CART回歸樹、C4.5回歸樹、線性回歸、嶺回歸和KNN回歸?！緯r(shí)間序列】類提供常用的時(shí)間序列算法，包括ARIMA、GM(1,1)和指數(shù)平滑?！娟P(guān)聯(lián)分析】類提供常用的關(guān)聯(lián)規(guī)則算法，包括Apriori。系統(tǒng)算法【個(gè)人算法】模塊主要為了滿足用戶的個(gè)性化需求。在用戶使用過程中，可根據(jù)自己的需求定制算法，方便使用。目前個(gè)人算法支持通過Python和R語言進(jìn)行個(gè)人算法的定制，如圖所示。個(gè)人算法1實(shí)現(xiàn)運(yùn)輸車輛駕駛行為分析目錄

TipDM大數(shù)據(jù)挖掘建模平臺(tái)簡(jiǎn)介2本小節(jié)以運(yùn)輸車輛駕駛行為分析案例為例，在TipDM大數(shù)據(jù)挖掘建模平臺(tái)上配置對(duì)應(yīng)工程，展示數(shù)據(jù)挖掘流程中的數(shù)據(jù)獲取、數(shù)據(jù)探索、分析與建模的配置過程。在平臺(tái)上配置得到的運(yùn)輸車輛駕駛行為分析的最終流程如圖所示。實(shí)現(xiàn)運(yùn)輸車輛駕駛行為分析在TipDM大數(shù)據(jù)挖掘建模平臺(tái)上配置運(yùn)輸車輛駕駛行為分析案例，主要包括以下4個(gè)步驟。導(dǎo)入數(shù)據(jù)。在TipDM大數(shù)據(jù)挖掘建模平臺(tái)上導(dǎo)入駕駛行為指標(biāo)數(shù)據(jù)。數(shù)據(jù)探索分析。對(duì)原始數(shù)據(jù)進(jìn)行分布分析、相關(guān)性分析和異常值檢測(cè)。聚類分析。對(duì)駕駛行為進(jìn)行聚類分析。模型構(gòu)建。構(gòu)建駕駛行為判別模型，并對(duì)駕駛行為進(jìn)行預(yù)測(cè)評(píng)價(jià)。實(shí)現(xiàn)運(yùn)輸車輛駕駛行為分析本章的數(shù)據(jù)為車輛駕駛行為指標(biāo)數(shù)據(jù)，該數(shù)據(jù)文件為CSV文件，使用TipDM大數(shù)據(jù)挖掘建模平臺(tái)導(dǎo)入數(shù)據(jù)，步驟如下。單擊“我的數(shù)據(jù)”，在“我的數(shù)據(jù)集”中選擇“新增”，如圖所示。數(shù)據(jù)源配置設(shè)置新增數(shù)據(jù)集參數(shù)。任意選擇一張封面圖片，在“名稱”中填入“運(yùn)輸車輛駕駛行為分析”，“有效期（天）”項(xiàng)選擇“永久”，“描述”中填入“運(yùn)輸車輛駕駛行為分析的相關(guān)數(shù)據(jù)存放至車輛駕駛行為指標(biāo)數(shù)據(jù).csv文件中”。單擊“點(diǎn)擊上傳”選擇“車輛駕駛行為指標(biāo)數(shù)據(jù).csv”數(shù)據(jù)，如圖所示。等到數(shù)據(jù)載入成功后，單擊“確定”按鈕，即可上傳數(shù)據(jù)。數(shù)據(jù)源配置當(dāng)數(shù)據(jù)上傳完成后，新建一個(gè)名為“運(yùn)輸車輛駕駛行為分析”的空白工程，步驟如下。新建空白工程。單擊“我的工程”，單擊按鈕，新建一個(gè)空白工程。在新建工程頁面填寫相關(guān)的信息，包括名稱和描述，如圖所示。數(shù)據(jù)源配置在“運(yùn)輸車輛駕駛行為分析”工程中配置一個(gè)“輸入源”算法，步驟如下。在“工程”欄旁邊的“組件”欄中，找到“內(nèi)置組件”下的“輸入/輸出”類。拖曳“輸入/輸出”類中的“輸入源”算法至工程畫布中。數(shù)據(jù)源配置配置“輸入源”算法。單擊畫布中的“輸入源”算法，然后單擊工程畫布右側(cè)“參數(shù)配置”欄中的“數(shù)據(jù)集”框，輸入“運(yùn)輸車輛駕駛行為分析”。在彈出的下拉框中選擇“運(yùn)輸車輛駕駛行為分析”，“文件列表”中選擇“車輛駕駛行為指標(biāo)數(shù)據(jù).csv”數(shù)據(jù)，如圖所示（注意：由于平臺(tái)限制了各框架的大小，所以可能會(huì)導(dǎo)致一些輸入內(nèi)容顯示不全）。數(shù)據(jù)源配置加載數(shù)據(jù)。右鍵單擊“輸入源”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，可看到“輸入源”算法變?yōu)榫G色，如圖所示。右鍵單擊運(yùn)行完成后的“輸入源”算法，選擇“查看日志”，可看到“數(shù)據(jù)載入成功”的信息，如圖所示，說明已成功將車輛駕駛行為指標(biāo)數(shù)據(jù)加載到平臺(tái)上。數(shù)據(jù)源配置1．分布分析通常情況下，在進(jìn)行分析與建模之前，需要對(duì)數(shù)據(jù)進(jìn)行分布分析，其目的是及時(shí)發(fā)現(xiàn)數(shù)據(jù)中的分布規(guī)律，查看各屬性的基本情況，為后續(xù)數(shù)據(jù)分析工作做準(zhǔn)備。對(duì)加載后的車輛駕駛行為指標(biāo)數(shù)據(jù)進(jìn)行分布分析，步驟如下。拖曳一個(gè)“全表統(tǒng)計(jì)”算法至工程畫布中，連接“輸入源”算法和“全表統(tǒng)計(jì)”算法。數(shù)據(jù)探索分析本章數(shù)據(jù)探索分析主要是對(duì)車輛駕駛行為指標(biāo)數(shù)據(jù)進(jìn)行分布分析、相關(guān)性分析、異常值檢測(cè)等內(nèi)容。配置“全表統(tǒng)計(jì)”算法。單擊畫布中的“全表統(tǒng)計(jì)”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，勾選除“車輛編碼”之外的所有字段，如圖所示；“參數(shù)設(shè)置”中保持默認(rèn)選擇。數(shù)據(jù)探索分析預(yù)覽數(shù)據(jù)。右鍵單擊“全表統(tǒng)計(jì)”算法，選擇“運(yùn)行該節(jié)點(diǎn)”；運(yùn)行完成后，右單擊該算法，選擇“查看數(shù)據(jù)”，其結(jié)果如圖所示。由全表統(tǒng)計(jì)運(yùn)行結(jié)果可以看到，各屬性的記錄數(shù)、均值、標(biāo)準(zhǔn)差、最大值和最小值等信息。數(shù)據(jù)探索分析對(duì)車輛駕駛行為指標(biāo)數(shù)據(jù)進(jìn)行相關(guān)性分析，計(jì)算出各屬性兩兩之間的相關(guān)系數(shù)，能更直觀地看出各屬性之間的相關(guān)程度，其步驟如下。拖曳一個(gè)“相關(guān)性分析”算法至工程畫布中，連接“輸入源”算法和“相關(guān)性分析”算法。配置“相關(guān)性分析”算法“字段設(shè)置”。單擊畫布中的“相關(guān)性分析”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，勾選除“車輛編碼”以外的所有字段，如圖所示。數(shù)據(jù)探索分析2.相關(guān)性分析配置“相關(guān)性分析”算法“參數(shù)設(shè)置”。在“參數(shù)設(shè)置”中，“相關(guān)性系數(shù)”選擇“標(biāo)準(zhǔn)相關(guān)系數(shù)”，如圖所示。數(shù)據(jù)探索分析預(yù)覽日志。右鍵單擊“相關(guān)性分析”算法，選擇“運(yùn)行該節(jié)點(diǎn)”；運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其結(jié)果如圖所示。由圖可以看到各屬性之間的相關(guān)系數(shù)，其中，急加速與急加速頻率、急減速與急減速頻率等的相關(guān)系數(shù)均較大，達(dá)到了0.8以上，具有較強(qiáng)的相關(guān)關(guān)系。數(shù)據(jù)探索分析用戶在進(jìn)行異常值檢測(cè)時(shí)，一般可以通過繪制箱型圖查看其異常情況。在平臺(tái)上，可以自定義“箱型圖”個(gè)人算法，查看數(shù)據(jù)中的異常數(shù)據(jù)。自定義“箱型圖”個(gè)人算法的步驟如下。單擊“個(gè)人算法”后，單擊（添加算法）按鈕，彈出設(shè)置算法界面信息。數(shù)據(jù)探索分析3.異常值檢測(cè)在設(shè)置算法界面中，“組件名稱”填入“箱型圖”，“算法引擎”選擇“Python”，“算法代碼”填入異常值檢測(cè)的相關(guān)代碼，填寫相關(guān)信息后的界面如圖所示。設(shè)置完相關(guān)信息后，單擊“添加”按鈕，即可成功添加“箱型圖”個(gè)人算法。數(shù)據(jù)探索分析在平臺(tái)中可通過“箱型圖”個(gè)人算法對(duì)車輛運(yùn)輸指標(biāo)數(shù)據(jù)進(jìn)行異常值檢測(cè)，步驟如下。拖曳一個(gè)個(gè)人算法“箱型圖”至工程畫布中，連接“輸入源”算法和“箱型圖”算法。配置“箱型圖”算法。單擊畫布中的“箱型圖”算法，在“參數(shù)配置”中，單擊“數(shù)值列”旁的按鈕后，勾選“行駛里程（km）”“疲勞駕駛（次）”“熄火滑行（次）”“超長(zhǎng)怠速（次）”字段，如圖所示。數(shù)據(jù)探索分析預(yù)覽日志。右鍵單擊“箱型圖”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其部分結(jié)果如圖所示。由異常值檢測(cè)結(jié)果可知，數(shù)據(jù)中存在部分異常數(shù)據(jù)，說明存在一些不良的駕駛行為數(shù)據(jù)，且該數(shù)據(jù)符合本案例的分析方向。因此，為保證后續(xù)的分析結(jié)果，不做異常值處理。數(shù)據(jù)探索分析1．K-Means聚類在平臺(tái)中可通過“數(shù)據(jù)標(biāo)準(zhǔn)化”算法，對(duì)車輛運(yùn)輸指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，步驟如下。拖曳一個(gè)“數(shù)據(jù)標(biāo)準(zhǔn)化”算法至工程畫布中，連接“輸入源”算法和“數(shù)據(jù)標(biāo)準(zhǔn)化”算法。駕駛行為聚類分析為了查看各車輛的駕駛行為主要分為哪幾類，本章將分別使用K-Means聚類、層次聚類、高斯混合模型聚類和譜聚類的方法對(duì)駕駛行為進(jìn)行聚類分析，并對(duì)比各聚類方法效果。注意：在進(jìn)行聚類分析之前，需先采用Z-Score標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使數(shù)據(jù)標(biāo)準(zhǔn)統(tǒng)一化。配置“數(shù)據(jù)標(biāo)準(zhǔn)化”算法。單擊畫布中的“數(shù)據(jù)標(biāo)準(zhǔn)化”算法，在“參數(shù)設(shè)置”中，單擊“特征”旁的按鈕后，選擇除“車輛編碼”以外的所有字段；“標(biāo)準(zhǔn)化方式”選擇“標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化”，如圖所示。駕駛行為聚類分析預(yù)覽數(shù)據(jù)。右鍵單擊“數(shù)據(jù)標(biāo)準(zhǔn)化”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看數(shù)據(jù)”，其結(jié)果如圖所示。由圖可知，已成功將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。駕駛行為聚類分析通過K-Means聚類算法，對(duì)車輛駕駛行為進(jìn)行分類，步驟如下。創(chuàng)建一個(gè)“K-Means聚類”個(gè)人算法。由于10.2.2小節(jié)已介紹個(gè)人算法的自定義方法，且10.2.3和10.2.4小節(jié)均有自定義個(gè)人算法的內(nèi)容。因此，為避免章節(jié)篇幅過長(zhǎng)，后續(xù)涉及到個(gè)人算法的相關(guān)內(nèi)容，本章將不再重復(fù)說明。關(guān)于個(gè)人算法的算法代碼部分，讀者可查看工程文件中對(duì)應(yīng)組件的源碼。拖曳一個(gè)已創(chuàng)建好的個(gè)人算法“K-Means聚類”至工程畫布中，連接“數(shù)據(jù)標(biāo)準(zhǔn)化”算法和“K-Means聚類”算法。駕駛行為聚類分析配置“K-Means聚類”算法“字段設(shè)置”。單擊畫布中的“K-Means聚類”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，選擇除“車輛編碼”以外的所有字段，如圖所示。駕駛行為聚類分析配置“K-Means聚類”算法“參數(shù)設(shè)置”。在“參數(shù)設(shè)置”中，“聚類數(shù)”設(shè)為“3”，如圖所示。駕駛行為聚類分析預(yù)覽日志。右鍵單擊“K-Means聚類”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其結(jié)果如圖所示。

由圖可知，進(jìn)行K-Means聚類后，所得到的聚類簇1個(gè)數(shù)為446、簇2個(gè)數(shù)為1、簇3個(gè)數(shù)為1，且由展示圖可以看出，K-Means的聚類效果并不理想。駕駛行為聚類分析通過層次聚類算法，對(duì)車輛駕駛行為進(jìn)行分類，步驟如下。創(chuàng)建一個(gè)“層次聚類”個(gè)人算法。拖曳一個(gè)已創(chuàng)建好的個(gè)人算法“層次聚類”至工程畫布中，連接“數(shù)據(jù)標(biāo)準(zhǔn)化”算法和“層次聚類”算法。駕駛行為聚類分析2．層次聚類配置“層次聚類”算法“字段設(shè)置”。單擊畫布中的“層次聚類”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，選擇除“車輛編碼”以外的所有字段，如圖所示。駕駛行為聚類分析配置“層次聚類”算法“參數(shù)設(shè)置”。在“參數(shù)設(shè)置”中，“聚類數(shù)”設(shè)置為“3”，如圖所示。駕駛行為聚類分析預(yù)覽日志。右鍵單擊“層次聚類”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其結(jié)果如圖所示。由圖可知，進(jìn)行層次聚類后，所得到的聚類簇1個(gè)數(shù)為446、簇2個(gè)數(shù)為1、簇3個(gè)數(shù)為1，且由展示圖可以看出，層次聚類的效果也不佳。駕駛行為聚類分析通過高斯混合模型算法，對(duì)車輛駕駛行為進(jìn)行分類，步驟如下。創(chuàng)建一個(gè)“高斯混合模型”個(gè)人算法。拖曳一個(gè)已創(chuàng)建好的個(gè)人算法“高斯混合模型”至工程畫布中，連接“數(shù)據(jù)標(biāo)準(zhǔn)化”算法和“高斯混合模型”算法。駕駛行為聚類分析3．高斯混合模型聚類配置“高斯混合模型”算法“字段設(shè)置”。單擊畫布中的“高斯混合模型”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，選擇除“車輛編碼”以外的所有字段，如圖所示。駕駛行為聚類分析配置“高斯混合模型”算法“參數(shù)設(shè)置”。在“參數(shù)設(shè)置”中，“K值”設(shè)為“3”，如圖所示。駕駛行為聚類分析預(yù)覽日志。右鍵單擊“高斯混合模型”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其結(jié)果如圖所示。由圖可知，進(jìn)行高斯混合模型聚類后，所得到的聚類簇1個(gè)數(shù)為276、簇2個(gè)數(shù)為1、簇3個(gè)數(shù)為171，且由展示圖可以看出，高斯混合模型的聚類效果依然欠佳。駕駛行為聚類分析通過譜聚類算法，對(duì)車輛駕駛行為進(jìn)行分類，步驟如下。創(chuàng)建一個(gè)“譜聚類”個(gè)人算法。拖曳一個(gè)已創(chuàng)建好的個(gè)人算法“譜聚類”至工程畫布中，并將該算法重命名為“第一次譜聚類”，連接“數(shù)據(jù)標(biāo)準(zhǔn)化”算法和“第一次譜聚類”算法。駕駛行為聚類分析4．譜聚類配置“第一次譜聚類”算法“字段設(shè)置”。單擊畫布中的“第一次譜聚類”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，選擇除“車輛編碼”以外的所有字段，如圖所示。駕駛行為聚類分析配置“第一次譜聚類”算法“參數(shù)設(shè)置”。在“參數(shù)設(shè)置”中，“聚類數(shù)”設(shè)置為“3”，如圖所示。駕駛行為聚類分析預(yù)覽日志。右鍵單擊“第一次譜聚類”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其結(jié)果如圖所示。由圖可知，進(jìn)行第一次譜聚類后，所得到的譜聚類簇1個(gè)數(shù)為113、簇2個(gè)數(shù)為262、簇3個(gè)數(shù)為73，且在聚類結(jié)果展示圖中，成功將車輛行為分為3類。但橙色（正方形形狀）和綠色（星星形狀）混雜在了一起，無法清楚地進(jìn)行分類，因此需要進(jìn)一步聚類分析，即使用“熄火滑行頻率”“超長(zhǎng)怠速頻率”“疲勞駕駛頻率”“急加速頻率”“急減速頻率”“速度標(biāo)準(zhǔn)差”和“速度差值標(biāo)準(zhǔn)差”屬性進(jìn)行第二次譜聚類。駕駛行為聚類分析由于第二次譜聚類方法和第一次譜聚類方法相似，區(qū)別在于“特征”選擇的不同，所以此處不再贅述。構(gòu)建后的工程如圖所示。駕駛行為聚類分析聚類結(jié)果如圖所示。由圖可知，進(jìn)行第二次譜聚類后，所得到的譜聚類簇1個(gè)數(shù)為168、簇2個(gè)數(shù)為181、簇3個(gè)數(shù)為99，駕駛行為能夠較好地分成3個(gè)類別，由車輛速度標(biāo)準(zhǔn)差、平均速度等數(shù)據(jù)，可以大致判斷出橙色（正方形形狀）所代表的類別為“穩(wěn)健型駕駛”；藍(lán)色（圓點(diǎn)形狀）所代表的類別為“激進(jìn)型駕駛”；綠色（星星形狀）所代表的類別為“疲憊型駕駛”。駕駛行為聚類分析1．構(gòu)建線性判別分析模型用戶可通過構(gòu)建線性判別分析模型，用于判定車輛駕駛行為，并對(duì)模型進(jìn)行模型評(píng)價(jià)，步驟如下。創(chuàng)建一個(gè)“線性判別分析”個(gè)人算法。拖曳一個(gè)已創(chuàng)建好的個(gè)人算法“線性判別分析”至工程畫布中，連接“第二次譜聚類”算法和“線性判別分析”算法。構(gòu)建駕駛行為預(yù)測(cè)模型為了判定車輛駕駛行為屬于哪種類型，本章將分別使用線性判別分析、樸素貝葉斯和神經(jīng)網(wǎng)絡(luò)方法構(gòu)建駕駛行為預(yù)測(cè)模型，并給出各模型的評(píng)價(jià)結(jié)果。配置“線性判別分析”算法。單擊畫布中的“線性判別分析”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，選擇“速度標(biāo)準(zhǔn)差”“速度差值標(biāo)準(zhǔn)差”“急加速頻率”“急減速頻率”“疲勞駕駛頻率”“熄火滑行頻率”和“超長(zhǎng)怠速頻率”字段，“標(biāo)簽”選擇“l(fā)abels”，如圖所示。運(yùn)行節(jié)點(diǎn)。右鍵單擊“線性判別分析”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，即可發(fā)現(xiàn)線性判別分析模型的判別精度為94.64%，說明該模型的判別效果較好。構(gòu)建駕駛行為預(yù)測(cè)模型用戶可通過構(gòu)建高斯樸素貝葉斯模型，用于判定車輛駕駛行為，并對(duì)模型進(jìn)行模型評(píng)價(jià)，步驟如下。拖曳一個(gè)“樸素貝葉斯”算法至工程畫布中，并將該算法重命名為“高斯樸素貝葉斯”，連接“第二次譜聚類”算法和“高斯樸素貝葉斯”算法。構(gòu)建駕駛行為預(yù)測(cè)模型2．構(gòu)建樸素貝葉斯模型配置“高斯樸素貝葉斯”算法“字段設(shè)置”。單擊畫布中的“高斯樸素貝葉斯”算法，在“字段設(shè)置”中，單擊“特征”旁的按鈕后，選擇“速度標(biāo)準(zhǔn)差”“速度差值標(biāo)準(zhǔn)差”“急加速頻率”“急減速頻率”“疲勞駕駛頻率”“熄火滑行頻率”和“超長(zhǎng)怠速頻率”字段，“標(biāo)簽”選擇“l(fā)abels”，如圖所示。構(gòu)建駕駛行為預(yù)測(cè)模型配置“高斯樸素貝葉斯”算法“參數(shù)設(shè)置”。在“參數(shù)設(shè)置”中，將“類函數(shù)”設(shè)為“高斯樸素貝葉斯”，其余默認(rèn)，如圖所示。構(gòu)建駕駛行為預(yù)測(cè)模型預(yù)覽日志。右鍵單擊“高斯樸素貝葉斯”算法，選擇“運(yùn)行該節(jié)點(diǎn)”，運(yùn)行完成后，右鍵單擊該算法，選擇“查看日志”，其結(jié)果如圖所示。由圖可知，先驗(yàn)為高斯分布的樸素貝葉斯準(zhǔn)確率為74%，說明該模型的判別效果還算理想。構(gòu)建駕駛行為預(yù)測(cè)模型由于伯努利樸素貝葉斯模型的構(gòu)建方法和高斯樸素貝葉斯模型的構(gòu)建方法相似，區(qū)別在于“類函數(shù)”的設(shè)置不同