姜弃疾 张航旗

四川工商学院

摘要(Abstract)：

为缓解高维数据挖掘中噪声冗余与模型可解释性不足的问题，本文提出把可视化交互嵌入特征选择、聚类优化及异常检测全过程的融合框架。基于相关性矩阵热力图与拖拽筛选，构建过滤式特征选择通道；借助散点图中心拖拽，实现K-means聚类的人机协同微调；运用箱线图四分位距标记与孤立森林得分叠加，完成异常值两级判别。电商行为数据案例表明，融合方法在特征选择准确率、聚类轮廓系数及异常检测F1值三项指标上均优于传统PCA、标准K-means及单独孤立森林基线，且交互过程可回放、可复现。研究结果为高维稀疏场景下的可解释挖掘提供了轻量化技术路径。

关键词(KeyWords)：

数据可视化；交互式特征选择；可视化聚类优化；异常检测；人机协同

参考文献(References)：

［1］朱添福，叶栋水，王婧.三维可视化技术在气象数据分析中的应用初探［J］.微型电脑应用，2024，40（7）：11-14. 

［2］陈含薇.大数据驱动素养课程协同育人的路径创新研究——以短视频剪辑课程为例［J］.教育创新与实践，2025（4）：169-171. 

［3］袁帅臣.数据可视化技术在大数据分析中的应用［J］.科技创新与应用，2025，15（2）：176-179. 

［4］蒲玉洁，田巧燕，杨磊，等.数据智能化分析技术在油田生产中的研究与应用［J］.中国管理信息化，2025，28（17）：227-230. 

［5］沈洁.论数据可视技术在产业数据分析系统中的运用［J］. 数码设计（电子版），2024（6）：0618-0620.