K-means聚类算法在互联网金融交易数据评估与统计分析中的应用
摘要：促进中国互联网金融交易的有序发展，减少互联网金融交易的违约和拖欠。本文基于典型的大数据算法（K均值算法），讨论了K均值算法和互联网金融交易的概念，以及大数据算法对互联网金融交易数据评估和统计分析的意义。同时，对现有的互联网金融交易系统进行了评估，并总结了它们的不足之处，提出了相关的应对措施和建议。同时，应用K均值聚类算法评估金融交易数据，发现它可以提高数据的准确性，并减少错误率40\%。但当聚类数为7时，K均值聚类算法的输出结果分布间隔为4天；当聚类数为10时，K均值聚类算法的输出结果分布间隔为6天，表明该算法的收敛效果较好。此外，许多小微个体仍然对互联网金融交易的创新和调整持消极态度，表明中国互联网金融交易体系的建设仍需要进一步优化。大多数小微个体对创新和调整的满意度也表明，所提出的互联网金融交易调整措施是可行的，可以为相关互联网金融交易提供参考，并促进中国互联网金融交易的发展。
作者：Shi Bo
论文ID：2202.03146
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2022-11-21