检索结果-内蒙古大学图书馆

作者：王敏江苏大学

学位级别：硕士

现代数据库和网络技术的发展,使得人们面对的数据量以惊人的速度增长。为了获取有价值的信息,聚类分析已成为数据挖掘中一个十分活跃的研究领域。本文详细介绍了聚类分析的基本概念、数据类型和相异度测量方法,分类方法和特点,并对聚类... 详细信息

现代数据库和网络技术的发展,使得人们面对的数据量以惊人的速度增长。为了获取有价值的信息,聚类分析已成为数据挖掘中一个十分活跃的研究领域。本文详细介绍了聚类分析的基本概念、数据类型和相异度测量方法,分类方法和特点,并对聚类结果的评价方法进行了讨论。随着数据类型的多样化,聚类分析也要求能够处理各种各样类型的数据。本文重点讨论的是对分类属性数据的聚类算法(Algorithms for Clustering Categorical Data,CCA)研究。围绕分类属性数据的聚类问题,研究较为深入的是划分法聚类。首先具体研究了典型的k-modes算法及其变形,并指出了它们的优缺点,对它的相异度作了一个小的改进,并应用在构建合作学习小组中;探讨了模糊k-modes算法和进化策略对属性进行加权的改进fuzzy k-modes算法,以及近似k-median分类属性数据聚类算法,用基于划分相似度的聚类精确度为聚类结果的评价准则,实验分析了它们的聚类效果。其次研究了引用熵的概念来对分类属性数据(categorical data)的聚类,简单地描述了熵的一些基本性质,介绍了三个基于熵的聚类算法,接着我们用增益熵作为引力模型的距离半径,构建的熵函数作为引力和加速度,聚类中的数目作为质量来形象地描述引力模型的分类属性数据的聚类算法的聚类过程。用分类的效率、期望熵值和纯度这三个聚类评价准则来衡量聚类的结果。为了有所比较,用UCI数据库中的两个分类属性数据集Mushroom dataset和Voting Record dataset,同时运行在k-modes算法和COOLCAT算法上,来比较这三者算法的聚类效果。最后是提出了一种在子空间里无重叠分类属性数据的聚类算法。新的无重叠聚类算法用紧凑函数和分散函数之和作为目标函数,最小化得到它的最终聚类结果。分别用在UCI数据库的3个分类属性数据集中,聚类的结果分别显示了它们的各个类别所在的子空间类集。随着数据库的发展,计算机的更广泛的应用,必然带动分类属性数据上更广泛的研究和应用,在基于熵的概念和高维子空间上的聚类研究也会得到更进一步的完善与发展。

关键词：聚类分析分类属性数据熵子空间

来源：评论

学校读者我要写书评

暂无评论

一种面向分类属性数据的聚类融合算法研究

引用

计算机应用研究 2011年第5期28卷 1671-1673页

作者：李桃迎陈燕张金松张琳大连海事大学交通运输管理学院辽宁大连116026

为了解决单一聚类算法存在结果不准确和随机性大,且现有算法对分类数据聚类时将其转换成数值型会产生误差等问题,提出了一种面向分类属性数据的聚类融合算法。算法利用原有分类属性值的差异产生聚类成员,然后采用相似度方法进行划分,通... 详细信息

为了解决单一聚类算法存在结果不准确和随机性大,且现有算法对分类数据聚类时将其转换成数值型会产生误差等问题,提出了一种面向分类属性数据的聚类融合算法。算法利用原有分类属性值的差异产生聚类成员,然后采用相似度方法进行划分,通过寻求目标函数最小的划分来简化聚类过程。算法在UCI数据集上进行了验证,结果表明算法的效率和精度都优于现有算法,说明算法的设计和更新策略是有效的。

关键词：聚类融合分类属性数据数据挖掘相似度

来源：评论

学校读者我要写书评

暂无评论

近似k-median分类属性数据聚类

引用

计算机工程 2007年第8期33卷 66-67,70页

作者：赵恒张高煜西安电子科技大学电子工程学院西安710071

数据挖掘中解决分类属性数据聚类的算法有很多种,但大多数基于划分的方法得到的聚类中心一般不是数据集中的实际数据对象,缺乏实际的物理意义,有时会导致某一聚类为空。该文研究了近似k-median的求解算法,用数据的近似中值来代替模式进... 详细信息

数据挖掘中解决分类属性数据聚类的算法有很多种,但大多数基于划分的方法得到的聚类中心一般不是数据集中的实际数据对象,缺乏实际的物理意义,有时会导致某一聚类为空。该文研究了近似k-median的求解算法,用数据的近似中值来代替模式进行聚类,提出了分类属性数据的近似k-median聚类算法,克服了一般基于划分的可分类属性数据聚类中所遇到的问题,仿真实验证明该算法有效。

关键词：数据挖掘近似k-median聚类分类属性数据

来源：评论

学校读者我要写书评

暂无评论

基于量子机制的改进的分类属性数据聚类算法

引用

兰州理工大学学报 2009年第3期35卷 98-102页

作者：赵正天赵小强李炜兰州理工大学电气工程与信息工程学院甘肃兰州730050

分析量子势能、量子力学中粒子分布机制和针对分类属性数据的量子聚类CQC算法,发现该算法采用传统的Hamming相异性测度计算分类属性数据间的相异性测度,忽略分类属性取值自身的涵义和值间的特征关联,导致其聚类准确性较差.提出一种改进... 详细信息

分析量子势能、量子力学中粒子分布机制和针对分类属性数据的量子聚类CQC算法,发现该算法采用传统的Hamming相异性测度计算分类属性数据间的相异性测度,忽略分类属性取值自身的涵义和值间的特征关联,导致其聚类准确性较差.提出一种改进的MCQC算法,能根据数据对象的关联情况计算同属性不同值间的相异性,计算数据对象间的相异性测度,从而提高聚类准确率.仿真实验采用3个数据集,即:大豆疾病、国会投票真实数据集和从KDD-CUP99训练样本集抽取离散属性维构成的人造样本集.实验结果表明,该算法是有效且可行的,对分类属性、二值属性和混合属性数据的聚类准确率明显高于CQC算法.

关键词：分类属性数据量子聚类聚类算法相异性度量测度

来源：评论

学校读者我要写书评

暂无评论

多跳网络中分类属性数据模糊聚类仿真

引用

计算机仿真 2017年第1期34卷 292-295页

作者：邓峰北京工业大学经济与管理学院北京100124 郑州大学体育学院河南郑州450044

针对多跳网络中分类属性数据进行聚类,为提高多跳网络数据管理效率。多跳网络分类属性数据聚类时,需要对孤立数据和异常数据进行单独聚类划分,但是传统的距离差异度组合权重算法没有孤立数据和异常数据检测规则,不能很好的识别两类数据... 详细信息

针对多跳网络中分类属性数据进行聚类,为提高多跳网络数据管理效率。多跳网络分类属性数据聚类时,需要对孤立数据和异常数据进行单独聚类划分,但是传统的距离差异度组合权重算法没有孤立数据和异常数据检测规则,不能很好的识别两类数据,导致分类属性数据聚类效果差。提出一种多跳网络中分类数据模糊聚类的方法。针对传统聚类方法产生的弊端进行分析,利用多跳网络的特殊属性,对多跳网络中模糊属性数据建立模糊等价关系,对多属性数据实现规格化处理得到任意属性值从属于某种共同的数据特性范围,最终实现聚类。仿真结果表明,在多跳网络系统分类属性数据聚类中,改进算法具有较高的聚类准确性,聚类性能较好。

关键词：多跳网络模糊聚类分类属性数据

来源：评论

学校读者我要写书评

暂无评论

基于量子机制的分类属性数据聚类算法研究

基于量子机制的分类属性数据聚类算法研究

引用

作者：赵正天兰州理工大学

学位级别：硕士

数据挖掘技术是近年来国际上在信息决策领域较为活跃的研究方向之一。作为数据挖掘的一种有力分析工具,聚类分析得到了人们的广泛关注。在众多待聚类的数据类型中,分类属性数据是常见的一类,其属性值是有限无序的,且不可比较大小。由于... 详细信息

数据挖掘技术是近年来国际上在信息决策领域较为活跃的研究方向之一。作为数据挖掘的一种有力分析工具,聚类分析得到了人们的广泛关注。在众多待聚类的数据类型中,分类属性数据是常见的一类,其属性值是有限无序的,且不可比较大小。由于分类属性数据对象分布固有的无序性,使得仅有少数几种算法能实现对其聚类,但这些算法或多或少地存在不稳定、随机性差等缺点。因此,积极探索更新、更有效的分类属性数据聚类算法依然是聚类研究的一个重要组成部分。鉴于此,本文在深入研究现有CQC（Categorical Quantum Clustering）算法的基础上,针对其存在的问题,主要进行了以下工作: （1）针对CQC算法由于采用传统的Hamming相异性度量测度计算数据对象间相异性,忽略了分类属性取值自身的涵义以及取值之间的特征关联,从而导致CQC算法聚类能力受限问题,通过引入一种新的分类属性数据Ahmad相异性度量测度,提出了一种改进的MCQC算法,并分别对分类属性、二值属性和混合属性数据集进行了仿真研究,结果表明改进后的MCQC算法具有更高的聚类准确率。（2）针对CQC算法聚类效果对聚类度量尺度β较敏感,而β的确定无通用原则,可操作性差,以及CQC算法对线性不可分的数据不能奏效等问题,通过引入聚类度量尺度步长βstep和紧致性指AIAD,提出了ICQC算法,并分别在线性可分数据集和线性不可分数据集中进行了仿真验证。实验结果表明,ICQC算法在准确性、鲁棒性上较CQC算法均有提高。（3）针对CQC算法和ICQC算法不能自动、准确地确定聚类最佳类别数,在聚类有效性方面存在欠缺的问题,通过定义一种以紧致性指标AIAD和离散性指标AIED为基础的聚类有效性函数CVF,结合层次凝聚的思想,提出了CQHC算法,并以仿真实例验证了:聚类有效性函数CVF是合理的;CQHC算法不仅具有更高的聚类准确率而且能够准确地检测出最佳类别数,是有效可行的。

关键词：数据挖掘聚类分析分类属性数据相异性度量测度聚类度量尺度步长聚类有效性

来源：评论

学校读者我要写书评

暂无评论

基于互信息的分类属性数据特征选择算法

引用

计算机工程与应用 2014年第16期50卷 135-139页

作者：顾文强李志华江南大学物联网工程学院轻工过程先进控制教育部重点实验室江苏无锡214122 物联网应用技术教育部工程研究中心江苏无锡214122

提出了一种针对分类属性数据特征选择的新算法。通过给出一种能够直接评价分类属性数据特征选择的评价函数新定义,重新构造能实现分类属性数据信息量、条件互信息、特征之间依赖度定义的计算公式,并在此基础上,提出了一种基于互信息较... 详细信息

提出了一种针对分类属性数据特征选择的新算法。通过给出一种能够直接评价分类属性数据特征选择的评价函数新定义,重新构造能实现分类属性数据信息量、条件互信息、特征之间依赖度定义的计算公式,并在此基础上,提出了一种基于互信息较大相关、较小冗余的特征选择(MRLR)算法。MRLR算法在特征选择时不仅考虑了特征与类标签之间的相关性,而且还考虑了特征之间的冗余性。大量的仿真实验表明,MRLR算法在针对分类属性数据的特征选择时,能获得冗余度小且更具代表性的特征子集,具有较好的高效性和稳定性。

关键词：分类属性数据特征选择互信息

来源：评论

学校读者我要写书评

暂无评论

面向分类属性数据的分层聚类算法研究

面向分类属性数据的分层聚类算法研究

引用

作者：赵玉成中国民航大学

学位级别：硕士

聚类是数据挖掘中一种从大量数据中提取或挖掘知识的强有力工具。用于聚类的数据对象通常表示为分类属性数据的和数值型数据。现有的聚类算法大多限于数值型数据,对分类属性数据的聚类研究相对较少。但实际应用中,有很多聚类对象都表示... 详细信息

聚类是数据挖掘中一种从大量数据中提取或挖掘知识的强有力工具。用于聚类的数据对象通常表示为分类属性数据的和数值型数据。现有的聚类算法大多限于数值型数据,对分类属性数据的聚类研究相对较少。但实际应用中,有很多聚类对象都表示为分类属性数据。另一方面,由于分层聚类算法不需要用户指定参数值,以及分层聚类的聚类结果比划分聚类的聚类结果表示的信息更丰富,所以分层聚类比划分聚类更具有发展潜力。因此,本文面向分类属性数据对分层聚类算法进行深入的研究。首先,分析了现有聚类方法处理分类属性数据的不足,进一步将分层聚类算法与划分聚类算法进行对比,剖析了分层聚类算法的优缺点。其次,借鉴生物学中构建进化树的先进经验,利用最大似然法构建进化树的重要结论,提出了新的基于最大似然原理的分类属性数据分层聚类算法——HACML算法。该算法不仅能直接处理分类属性数据而不依赖于距离函数,并且克服了分层聚类不能回溯的缺点。实验结果表明HACML算法能够有效、稳定的对分类属性数据进行聚类。第三,对HACML算法进一步改进。利用RF距离信息约束搜索过程降低HACML的迭代次数,从而达到降低算法运行时间的效果。实验中,结合了RF距离的HACML改进算法的实验结果与HACML的实验结果相比,表明改进算法在不改变聚类结果准确性的前提下,提高了算法找到最优聚类结果的速度。最后,对全文进行了总结,对未来进一步研究的内容进行了说明。

关键词：分类属性数据分层聚类进化树最大似然值

来源：评论

学校读者我要写书评

暂无评论

基于最大似然原理的分类属性数据分层聚类算法

引用

计算机应用与软件 2015年第3期32卷 247-252,296页

作者：李建伏赵玉成贺怀清中国民航大学计算机科学与技术学院天津300300

对分类属性数据进行处理时,现有的聚类算法一般都通过距离函数将原始数据转换为表示两两距离的距离矩阵,然后再根据距离矩阵进行聚类,聚类结果很大程度上依赖于距离函数。针对上述问题,提出一种基于最大似然原理的分类属性数据分层聚类... 详细信息

对分类属性数据进行处理时,现有的聚类算法一般都通过距离函数将原始数据转换为表示两两距离的距离矩阵,然后再根据距离矩阵进行聚类,聚类结果很大程度上依赖于距离函数。针对上述问题,提出一种基于最大似然原理的分类属性数据分层聚类算法,称为HAC_ML算法。HAC_ML算法优点在于直接处理分类属性数据,不依赖于距离函数,并且克服了分层聚类不能回溯的缺点。在UCI数据集上的测试结果表明与经典的ROCK算法和K-Modes算法相比,HAC_ML算法是一种有效地处理分类属性数据的分层聚类算法。

关键词：分层聚类最大似然值分类属性数据

来源：评论

学校读者我要写书评

暂无评论

基于新的距离度量的K-Modes聚类算法

引用

计算机研究与发展 2010年第10期47卷 1749-1755页

作者：梁吉业白亮曹付元山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

传统的K-Modes聚类算法采用简单的0-1匹配差异方法来计算同一分类属性下两个属性值之间的距离,没有充分考虑其相似性.对此,基于粗糙集理论,提出了一种新的距离度量.该距离度量在度量同一分类属性下两个属性值之间的差异时,克服了简单0-... 详细信息

传统的K-Modes聚类算法采用简单的0-1匹配差异方法来计算同一分类属性下两个属性值之间的距离,没有充分考虑其相似性.对此,基于粗糙集理论,提出了一种新的距离度量.该距离度量在度量同一分类属性下两个属性值之间的差异时,克服了简单0-1匹配差异法的不足,既考虑了它们本身的异同,又考虑了其他相关分类属性对它们的区分性.并将提出的距离度量应用于传统K-Modes聚类算法中.通过与基于其他距离度量的K-Modes聚类算法进行实验比较,结果表明新的距离度量是更加有效的.

关键词：聚类算法分类属性数据粗糙集粗糙隶属度距离度量

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：