Кластерный анализ системы технической поддержки пользователей



Введение

Экспертная система — это программное средство, использующее экспертные знания для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области [1]. Экспертные системы используются для решения неформализованных задач, которые не могут быть заданы в числовой форме; их цели нельзя выразить в терминах точно определенной целевой функции; не существует алгоритмического решения задачи; если алгоритмическое решение есть, его нельзя использовать из-за ограниченности ресурсов (время, память).

В качестве объектов в данной работе выступают заявки пользователей, в количестве 10. Для удобства они пронумерованы от 1 до 10.

В качестве признаков выбраны следующие данные, являющиеся причиной возникновения проблем у пользователя: проблемы с кэшем, плохое соединение с сервером, неактуальная версия программы, проблемы с антивирусом и прочие проблемы с компьютером [2].

Основная часть

Для выборки проведен кластерный анализ методом Варда, метрикой City-block, построена дендрограмма. Результаты кластерного анализа представлены на сводке кластерного анализа (рис. 1) с населенностью кластеров и координатами центроидов кластеров [3].

Рис. 1. Результаты кластерного анализа

На рисунке 2 представлена дендограмма (иерархический кластерный анализ).

Рис. 2. Дендограмма

Состав кластеров:

Первый кластер включает в себя проблемы: № 1

Второй кластер: № 2 4 3 5

Третий кластер: № 6 7 9

Четвертый кластер: № 8 10

На рисунке 3 представлена населенность кластеров по проблемам.

Рис. 3. Населенность кластеров

Результаты кластеризации представлены на диаграмме рассеяния в пространстве признаков cash problems и antivirus problem (рис. 4).

Рис. 4. Диаграмма рассеивания

Из рисунка видно, что первый кластер включает 1 проблему. Во втором кластере находятся 2, 3, 4, 5 проблема. В третий кластер попадают 6, 7, 9 проблемы. Четвертый кластер включает 8 и 10 проблемы.

Формирование правил, характеризующие кластеры:

Анализ координат центроидов показал, что незначимых признаков нет. По координатам центроидов построены правила.

Рис. 5. Координаты центроидов

Извлеченные правила:

1. ЕСЛИ Antivirus problems среднее И Bad connection большое И Cash problems малое И Old version малое И Other Problems среднее ТО кластер 1
2. ЕСЛИ Antivirus problems большое И Bad connection малое И Cash problems большое И Old version малое И Other Problems малое ТО кластер 2
3. ЕСЛИ Antivirus problems малое И Bad connection малое И Cash problems малое И Old version большое И Other Problems большое ТО кластер 3
4. ЕСЛИ Antivirus problems малое И Bad connection малое И Cash problems большое И Old version среднее И Other Problems среднее ТО класс 4

Из диаграмм и правил следует, что первый кластер характеризуется среднем количеством Antivirus problem, большим количеством Bad connection и малым количеством Cash problems и Old version, а также среднем количеством Other problems.

Второй кластер характеризуется большим количеством Antivirus problem и Cash problems, а также малым количеством Bad connection, Old version и Other problems

Третий кластер характеризуется малым количеством Antivirus problem, Bad connection. и Antivirus problem, и большим Old version и Other Problems.

Четвертый кластер характеризуется малым количеством Antivirus problem и Bad connection, а также большим количеством Cash Problems и средним Old version и Other problems.

Принадлежности объектов к кластерам по результатам компонентного и кластерного анализов приведены в таблице 1.

Таблица 1

Принадлежность объектов

№ проблемы	Анализ
	Кластерный
1	1
2	2
3	2
4	2
5	2
6	3
7	3
8	4
9	3
10	4

Исходя из полученных результатов, нельзя сделать вывод о том, какой из кластеров является благополучным. Но можно на основе кластеров и правил построить экспертную систему, позволяющую сократить время решения проблем пользователей, тем самым повысив эффективность работы системы технической поддержки.

Литература:

1. Тельнов Ю. Ф. Интеллектуальные информационные системы в экономике. — Уч. пособие. — М.: Синтег, 1998. — 216 с.
2. Статические и динамические экспертные системы: Учеб. пособие / Э. В. Попов, И. Б. Фоминых, Е. Б. Кисель, М. Д. Шапот. — М.: Финансы и статистика, 1996. — 320 с.: ил.
3. Методические указания «Изучение методов интеллектуального анализ данных: компонентный анализ, кластерный анализ» / Уфимск. roc. авиац. техн. ун-т; Сост.: Б. Г. Ильясов, Е. А. Макарова, Э. Р. Габдуллина — Уфа, 2007.-30 с.