數(shù)據(jù)挖掘聚類算法課程設(shè)計(jì)報(bào)告-在線瀏覽
2024-09-29 14:21本頁面
【正文】 ()) != null) { if (isRightData(data)) (data)。 } } else = false。 }// getRaw_DataSet,從本地txt文件獲取數(shù)據(jù)集 public ArrayListDataItem getFinished_DataSet() {// 獲取經(jīng)過預(yù)處理，用來進(jìn)行聚類的數(shù)據(jù) ArrayListDataItem finished_DataSet = new ArrayListDataItem()。 for (int i = 0。 i++) { ArrayListString eachRomItem = null。,39。// 除去,后的每一行數(shù)據(jù) DataItem data_Item = new DataItem(eachRomItem, true)。 }// for return finished_DataSet。 tempArrayList = spilt(data, 39。)。 return true。// 用來存放找到的單詞 int beginIndex = 0。 i ()。 else { ((beginIndex))。 (temp)。 } }// for return words。該算法思想如下：算法：K均值。輸入： ■k：簇的屬目 ■D：包含n個(gè)對(duì)象的數(shù)據(jù)集。方法： (1)從D中任意選擇k個(gè)對(duì)象作為初始簇中心； (2)repeat (3) 根據(jù)簇中對(duì)象的均值，將每個(gè)對(duì)象(再)指派到最相似的簇； (4) 更新簇均值，既計(jì)算每個(gè)簇中對(duì)象的均值； (5)until 不再發(fā)生變化開始從本地讀取數(shù)據(jù)文件數(shù)據(jù)預(yù)處理輸入k,簇的個(gè)數(shù)在數(shù)據(jù)集中隨機(jī)選取k個(gè)數(shù)據(jù)對(duì)象作為初始中心點(diǎn)迭代開始。根據(jù)上述算法，結(jié)合本實(shí)驗(yàn)實(shí)際情況和數(shù)據(jù)集特征給出程序的執(zhí)行流程圖： ?否是 ?圖2 程序執(zhí)行流程 針對(duì)上面的流程圖，有幾點(diǎn)說明： ，最終生成用于聚類分析的數(shù)據(jù)集。 “最相似”意思就是距離中心點(diǎn)距離最近，本實(shí)驗(yàn)中采用歐幾里得距離，其定義如下：其中和是兩個(gè)n維數(shù)據(jù)對(duì)象。 ：前后兩次中心點(diǎn)之間的距離(仍然用歐幾里得距離)是否小于設(shè)定的值。 算法實(shí)現(xiàn)圖3 代碼文件的組織結(jié)構(gòu)上圖是本實(shí)驗(yàn)源碼的組織結(jié)構(gòu)，該項(xiàng)目包含五個(gè)Java類。該類的每一個(gè)實(shí)例對(duì)應(yīng)于聚類過程中的一個(gè)簇。該類的每一個(gè)實(shí)例對(duì)應(yīng)于數(shù)據(jù)集中的一個(gè)數(shù)據(jù)對(duì)象?！?該類主要功能是生成聚類過程適用的數(shù)據(jù)集，包括讀取文件，數(shù)據(jù)預(yù)處理等。 ★： (1) 隨機(jī)選取中心點(diǎn) public void setCenter_ran() {// 第一次，從數(shù)據(jù)集中隨機(jī)選取中心點(diǎn) beginTime = ()。 Random ran = new Random()。// 隨機(jī)選取中心點(diǎn) while (() numOfCluster) { order = (())。 }// while } (2)初始化簇集合 public void initArrayCluster(ArrayListDataItem center) {// 初始每個(gè)簇中的中心點(diǎn)屬性 ()。 i ()。 if ((i).getIsDataItem()) ((i))。 } }
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1