第5章傳統(tǒng)數(shù)據(jù)挖掘技術(shù)?-文庫吧資料
2024-10-06 16:00本頁面
【正文】 多維網(wǎng)格結(jié)構(gòu)來匯總數(shù)據(jù)，每個(gè)網(wǎng)格單元匯總了一組映射到該單元中的點(diǎn)的信息，然后采用一種小波變換對原特征空間進(jìn)行變換，匯總信息在進(jìn)行小波變換時(shí)使用，接著在變換后的空間中找到聚類區(qū)域。 ? ⑷重復(fù)以上過程，直到底層處理完畢。 ? ⑵對當(dāng)前層次的每個(gè)單元計(jì)算置信區(qū)間，用以反映該網(wǎng)格單元與給定查詢的關(guān)聯(lián)程度。 第 2 章 計(jì)算機(jī)局域網(wǎng)集成 ? STING算法將數(shù)據(jù)空間區(qū)域劃分為矩形單元，并且對應(yīng)于不同級別的分辨率，存在著不同級別的矩形單元，高層的每個(gè)單元被分為多個(gè)低一層的單元，每個(gè)網(wǎng)絡(luò)單元的統(tǒng)計(jì)信息被預(yù)先計(jì)算和存儲，供處理和查詢使用。 所聚類數(shù)據(jù)空間的整體密度看成是所有數(shù)據(jù)點(diǎn)影響函數(shù)的總和 。 在 OPTICS算法中認(rèn)定對象應(yīng)該以特定的順序進(jìn)行處理 ， 這個(gè)順序首先處理最小的 ε值密度可達(dá)的對象 ， 這樣可以首先完成高密度的聚類 。然后反復(fù)尋找從這些核心對象出發(fā)在 ε鄰域內(nèi)的對象 ，這個(gè)尋找過程可能會(huì)合并一些簇 ， 直到?jīng)]有新的對象可以添加到任何簇中為止 。 第 2 章 計(jì)算機(jī)局域網(wǎng)集成 DBSCAN算法首先需要用戶給定聚類對象的半徑 ε鄰域和ε鄰域中最少要包含的對象數(shù) MitPts。首先為每個(gè)簇選擇一個(gè)代表對象，剩余的對象根據(jù)其與代表對象的距離分配給最近的一個(gè)簇。這個(gè)過程不斷重復(fù)直到滿足某個(gè)準(zhǔn)則函數(shù)才停止。 ? ⑶根據(jù)每個(gè)對象與各個(gè)簇中心的距離，分配給最近的簇。 ? ⑴首先將所有對象隨機(jī)分配到 k個(gè)非空的簇中。 第 2 章 計(jì)算機(jī)局域網(wǎng)集成 ? k平均算法最為簡單。這些點(diǎn)代表了簇的形狀。 ? ⑸對局部的簇進(jìn)行聚類。 ? ⑷通過隨機(jī)抽樣剔除孤立點(diǎn)。 ? ⑵將樣本 S劃分為一組劃分。 BIRCH算法處理速度較快，只是對非球形簇處理效果不好。 ? 階段二：采用某個(gè)聚類算法對 CF樹的葉節(jié)點(diǎn)進(jìn)行聚類。新對象插入后，關(guān)于該對象的信息向根節(jié)點(diǎn)傳遞。． 收入 60000 30000 15000 0 第 2 章 計(jì)算機(jī)局域網(wǎng)集成 聚類數(shù)據(jù)挖掘技術(shù) qqjpipqjiqji xxxxxxjid /12211 )|||||(|),( ??????? ?， “孤立點(diǎn)”或“奇異點(diǎn)” “歐幾里得距離” “曼哈頓距離” “明考斯基距離” qqjpippqjiqji xxwxxwxxwjid /1222111 )||||||(),( ??????? ?第 2 章 計(jì)算機(jī)局域網(wǎng)集成 Num Label 新增率 流失率 num Label 新增率 流失率 1 江蘇 9 內(nèi)蒙古 2 山東 10 陜西 3 廣東 11 廣西 4 海南 12 吉林 5 遼寧 13 湖北 6 黑龍江 14 新疆自治區(qū) 7 江西 15 浙江 8 上海 16 第 2 章 計(jì)算機(jī)局域網(wǎng)集成 ? BIRCH算法主要分兩個(gè)階段進(jìn)行：
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1