文献类型：期刊文章

作　　者：杨一[1] 邹昀瑾[2]

Yang Yi;Zou Yunjin(the Department of Public Administration,School of Government,Peking University;School of Government,Peking University,Beijing 100871)

机构地区：[1]北京大学政府管理学院行政管理学系,北京100871 [2]北京大学政府管理学院,北京100871

出　　处：《中国行政管理》

基　　金：北京市社会科学基金项目“健全党和国家监督体系研究:以信息透明与反官员履历造假为例”(编号:18ZGC012)

年　　份：2021

期　　号：1

起止页码：105-113

语　　种：中文

收录情况：BDHX、BDHX2020、CSSCI、CSSCI2021_2022、NSSD、RCCSE、RWSKHX、SKJJZZ、ZGKJHX、核心刊

摘　　要：面对信息"爆炸"时代下的治理转型,公共管理研究急需更新数据分析方法,迎接大数据带来的技术挑战。本文聚焦机器学习的前沿技术t-SNE,以解决被广泛使用的线性分析方法如主成分分析(PCA),在分析海量的高维数据的核心内容时的算法缺陷,即t-SNE可通过降维可视化,拨开数据的非线性关联,自动挖掘出大数据集的主要内容(聚类)。我们将以实例展示该技术的优势,及其对于十大类公共管理主题的技术价值,这些主题涵盖了当今中国治理的重要维度,例如应急管理、干部选拔、信息公开等。我们将论证,以t-SNE为代表的机器学习实现了公共管理分析工具从质化到量化,从量化到自动化的数据分析范式转变,有助于学者和实践者快速解析纷繁大数据的核心内容,增加决策精准度。

关 键 词：大数据 量化技术  主成分分析 非监督机器学习  

分 类 号：D035[政治学类] TP181]