[高等教育]醫(yī)學(xué)數(shù)據(jù)挖掘第7章-全文預(yù)覽
【正文】 分析 四、 EM算法 ?現(xiàn)實世界很多數(shù)據(jù)是不完整的，即數(shù)據(jù)存在殘缺問題。 19 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 三、 kmeans算法 20 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 三、 kmeans算法 ?從前面的例子可以看出主要存在如下兩點不足： ? kMeans方法只有在簇的平均值被定義的情況下才能使用。該準(zhǔn)則使生成的類別盡可能地緊湊和獨立。 2）根據(jù)歐氏距離把每個樣本重新分配到距離它最近的簇質(zhì)心。 5個二維樣本為： X1＝（ 0,2）， X2＝（ 0,0）， X3＝（ ,0）， X4＝（ 5,0）， X5＝（ 5,2）。將一組物理的或抽象的對象，根據(jù)它們之間的相似程度，分為若干組，其中相似的對象構(gòu)成一組，這一過程稱為聚類過程。第 7章 聚類分析 OUTLINES 一、引言 二、聚類標(biāo)準(zhǔn) 三、 kmeans算法 四、 EM算法 五、利用 Microsoft SQL Server 2022實踐聚類分析算法 2 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 一、引言 ?對某城市年齡范圍為 25歲～ 55歲的中青年人群進行調(diào)查。 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 一、引言 ?聚類（ Cluster Analysis）是一個將數(shù)據(jù)集劃分為若干組或類的過程。 8 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 二、聚類標(biāo)準(zhǔn) ?歐氏距離法 9 )()( iTii XXXXXX ????X1＝（ 0,2） X2＝（ 0,0） 20)0 ,20(0)0 ,20( T21???? XX醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 二、聚類標(biāo)準(zhǔn) ?余弦法 10 iiTXXXX??c osX1＝（ 0,2） X2＝（ 5,0 ） ? ? ? ? 0525,00,2c os ???? T?醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 三、 kmeans算法 ?kmeans算法以距離值的平均值對聚類成員進行分配，如果一個對象屬于一個聚類，則該數(shù)據(jù)一定比較靠近聚類的中心 11 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 三、 kmeans算法 ?對二維坐標(biāo)中的 5個點｛ X1,X2,X3,X4,X5｝作聚類分析。類與類之間不相互連接，并且也不相互重疊，計算步驟如下： 1）選擇一個含有隨機選擇樣本的 k個簇的初始劃分，計算這些簇的質(zhì)心（簇的平均值）。 17 醫(yī)學(xué)數(shù)學(xué)挖掘 —— SQL SERVER 2022 案例分析 三、 kmeans算法 ?kmeans算法的準(zhǔn)則函數(shù)通常用平方誤差標(biāo)準(zhǔn)準(zhǔn)則，其定義如下： 其中 E為數(shù)據(jù)集中所有對象的平方誤差總和； X代表每個樣本； mi為簇 Ci的平均值（質(zhì)心）。假設(shè)要求的簇的數(shù)量 k=2。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1