检索结果-内蒙古大学图书馆

作者：尚平平浙江大学

学位级别：硕士

关联规则挖掘常被用来探索类别型数据属性值间的关系。现有的大部分关联规则挖掘算法都是基于支持度-置信度框架。尽管最小支持度和置信度阈值确实有助于排除大量无趣规则的探查，仍然会产生一些用户不感兴趣的规则。原因是只有用户能... 详细信息

关联规则挖掘常被用来探索类别型数据属性值间的关系。现有的大部分关联规则挖掘算法都是基于支持度-置信度框架。尽管最小支持度和置信度阈值确实有助于排除大量无趣规则的探查，仍然会产生一些用户不感兴趣的规则。原因是只有用户能够判断一个给定的规则是否是有趣的，而这种判断因用户、任务而异。此外，自动算法得到的部分规则，用户通常较难理解。已有的加入可视化方法的研究或者只是对结果的简单可视化，或者用户的交互不能很好的结合领域知识改进挖掘流程。本文将传统的关联规则挖掘过程嵌入到一个可视分析流程中，用户可以根据需要交互更改算法参数，选择或定义约束限定感兴趣的数据集，一方面提高了挖掘规则的效率，另一方面用户在挖掘过程中对数据的分布、结构有了更深刻的了解。　　本文采用矩阵式的可视化方法，用像素颜色编码探索过程中得到的度量值、中间结果，用改进的马赛克图布局展示数据集在感兴趣维度上的分布。此外，本文还设计了一系列可视探索工具，方便用户交互地选择或改善不同类型的约束、关联的度量方法、探索的中间结果。最后本文用多个实际数据的探索示例说明本文方法的有效性。

关键词：类别型数据关联规则挖掘算法可视化方法

来源：评论

学校读者我要写书评

暂无评论

类别型数据的划分迁移聚类

类别型数据的划分迁移聚类

引用

作者：项峥嵘浙江大学

学位级别：硕士

在数据分析中，聚类分析的目的是发现相似数据的集合。其中，划分迁移类方法（如k-means）是一个基本的方法。对于类别型数据，由于它的距离度量不同于数值型数据，因此存在一些特殊的方法。本文提出一种新的用于类别型数据的划分迁移... 详细信息

在数据分析中，聚类分析的目的是发现相似数据的集合。其中，划分迁移类方法（如k-means）是一个基本的方法。对于类别型数据，由于它的距离度量不同于数值型数据，因此存在一些特殊的方法。本文提出一种新的用于类别型数据的划分迁移类方法，在保持高效的同时，能比现有方法获得更好的聚类结果。　　对于专门用于类别型数据的聚类方法k-modes和常用于数值型数据的k-means，本文比较它们的目标函数的不同特点。对于k-means，本文提出它在用于类别型数据时的合理性，和高效运算的方法。实验证实:k-means的目标函数比k-modes的目标函数的聚类结果更好。　　本文提出的新的聚类方法是:使用Transfer算法优化一个合理的目标函数（聚类内分散度）。该方法能处理任意距离，因此它的通用性优于k-means。同时，Transfer算法的时间复杂度和k-modes、k-means相当。通过实验得出，本文方法的聚类结果比k-modes类方法更准确。　　在本文聚类方法的基础上，研究了类别型数据的距离。通过测试多种距离在真实数据集上的聚类表现，分析距离的选取对聚类的影响，和实践中距离的选择。　　最后，研究了针对本文聚类方法的初始化方法。借鉴k-means的初始化方法，应用到本文使用的目标函数中。对于初始化时如何把数据点分配到初始聚类的问题，本文提出一个新的分配方法，它能更好地优化目标函数。

关键词：类别型数据聚类分析划分迁移聚类法目标函数

来源：评论

学校读者我要写书评

暂无评论

一种新的类别型数据聚类算法

引用

统计与决策 2016年第23期32卷 69-72页

作者：赖芨宇陈克明福建农林大学交通与土木工程学院福州350002 东华大学管理学院上海200051

文章基于类别数据集合引入质量和特征向量的概念;确定了计算类别型数据的相似度;给出聚类结果清晰度及其变化率的定义;提出一种对质量和特征向量有效聚类类别型数据的算法。

关键词：类别型数据聚类质量特征向量清晰度

来源：评论

学校读者我要写书评

暂无评论

基于从共现矩阵提取关联的类别型数据聚类

引用

计算机与现代化 2022年第11期 1-8页

作者：关云鹏刘玉龙华北计算技术研究所系统八部北京100083

类别型数据聚类被广泛应用于现实世界的不同领域中,如医学科学、计算机科学等。通常的类别型数据聚类,是在基于相异度量上进行研究,针对不同特点的数据集,聚类结果会受到数据集自身特点和噪音信息的影响。此外,基于表示学习的类别型数... 详细信息

类别型数据聚类被广泛应用于现实世界的不同领域中,如医学科学、计算机科学等。通常的类别型数据聚类,是在基于相异度量上进行研究,针对不同特点的数据集,聚类结果会受到数据集自身特点和噪音信息的影响。此外,基于表示学习的类别型数据聚类,实现复杂,聚类结果受到表示结果的影响较大。本文以共现矩阵为基础,提出一种可以直接考虑类别型数据原始信息关联关系的聚类方法——基于从共现矩阵提取关联的类别型数据聚类方法(CDCBCM)。共现矩阵可被看作是一种对原始数据空间中信息关联情况的汇总。本文通过计算不同对象在各个属性子空间下的共现频率值来构建共现矩阵,并从共现矩阵中去除一些噪音信息,再使用归一化切割来得到聚类结果。本文方法在16个不同领域的公开数据集中进行测试,与8种现有方法进行比较,并采用F1-score指标进行检测。实验结果表明,本文方法在7个数据集上效果最好,平均排名最高,能更好地完成对类别型数据的聚类任务。

关键词：类别型数据类别型数据聚类机器学习共现矩阵归一化切割

来源：评论

学校读者我要写书评

暂无评论

支架式教学在类别数据可视化教学中的应用

引用

中国中医药现代远程教育 2021年第17期19卷 9-12页

作者：张子薇李悦王媛媛张颖北京中医药大学东直门医院儿科北京100700 北京中医药大学东直门医院脾胃科北京100700 北京中医药大学中医学院解剖教研室北京100029 北京中医药大学中医学院临床流行病与医学统计学教研室北京100029

针对医学院校本科教学中逐渐开展的数据可视化教学实际,支架式教学方法是现阶段教学发展中的新趋势,数据可视化教学作为医学统计学课程下的子课程,内容枯燥,比较抽象。使用支架式教学方法分析教师改变以往的讲授教学模式,可期待良好的... 详细信息

针对医学院校本科教学中逐渐开展的数据可视化教学实际,支架式教学方法是现阶段教学发展中的新趋势,数据可视化教学作为医学统计学课程下的子课程,内容枯燥,比较抽象。使用支架式教学方法分析教师改变以往的讲授教学模式,可期待良好的教学效果。本文提出在本科教学中,对类别型数据可视化教学应用支架式教学方法的观点。

关键词：支架式教学类别型数据可视化教学 R语言

来源：评论

学校读者我要写书评

暂无评论

基于属性约简的子空间聚类研究

基于属性约简的子空间聚类研究

引用

作者：李华青岛科技大学

学位级别：硕士

随着信息技术的快速发展,不同的应用领域中都产生了海量数据。从大量数据中获取有用的知识已成为人们的迫切要求,数据挖掘因此成为目前的重要研究领域。聚类分析是数据挖掘的重要研究方向之一。由于聚类分析属于无监督的学习模式,所以... 详细信息

随着信息技术的快速发展,不同的应用领域中都产生了海量数据。从大量数据中获取有用的知识已成为人们的迫切要求,数据挖掘因此成为目前的重要研究领域。聚类分析是数据挖掘的重要研究方向之一。由于聚类分析属于无监督的学习模式,所以其在实际生活中应用是非常广泛的,例如,生物分析、web日志分析等。但是,随着数据维度的不断增加,高维数据的“维数灾难”问题越发明显。在处理高维数据的聚类问题时,聚类的结果往往会因为“维数灾难”而不尽于人意。这是由高维数据的两大特点所导致的:(1)在高维数据集中数据具有稀疏性;(2)高维数据中由于数据彼此之间的距离相似,使得传统的基于距离的聚类算法变得毫无意义,加大了聚类的难度。因此,如何对高维数据进行有效地聚类已成为近年来的重点研究内容之一。针对上述问题,子空间聚类方法应运而生。作为处理高维数据聚类的一种有效方法,子空间聚类首先通过某种特征选择策略将数据从高维空间中投影到低维子空间中,然后在低维子空间中进行数据聚类。然而,现有的子空间聚类方法还存在很多问题,例如,在高维数据的降维过程中,所采用的特征选择方法不能有效保留原始数据的分类能力,从而导致子空间中的聚类结果发生偏差;另外,现有的子空间聚类方法大多只能处理数值型高维数据,对于类别型高维数据不能有效处理。为了有效解决现有的子空间聚类方法所存在的问题,本文将粗糙集理论应用到子空间聚类中。首先,提出一种基于粒度决策熵的粗糙集属性约简算法——ARGDE算法,并利用ARGDE算法对高维数据进行降维;其次,提出一种基于加权重叠距离的K-modes聚类算法WODKM,并利用WODKM算法在低维子空间中进行聚类,从而可以有效处理类别型高维数据;第三,将前面所提出的ARGDE算法和WODKM算法组合在一起,提出一种面向类别型高维数据的子空间集成聚类算法SPECCH。我们在多个UCI数据集上进行了实验,实验结果表明本文所提出的子空间聚类算法,可以较好地解决类别型高维数据上的聚类问题。本文的研究工作主要包含以下三个方面:(1)提出一种基于粒度决策熵的属性约简算法。针对现有的基于信息熵的属性约简算法所存在的问题,本文提出了粒度决策熵这一新的信息熵模型,并基于粒度决策熵设计出一种新的属性约简算法——ARGDE算法。我们在多个UCI数据集上进行了实验,相对于传统的算法,本文所提出的算法可以取得较小的约简和较高的分类精度。(2)针对类别型数据,提出一种新的距离度量——加权重叠距离,并由此提出一种基于加权重叠距离的K-modes聚类算法WODKM。在WODKM算法中,我们利用粗糙集理论中的属性重要性和粗糙熵等概念来计算每个属性的重要性,并且在计算对象之间的加权重叠距离时,不同的属性将根据其重要性的大小被赋予不同的权重,从而可以有效地体现出不同属性之间的差异性。(3)提出一种面向类别型高维数据的子空间集成聚类算法——SPECCH算法。在SPECCH算法中,首先利用ARGDE算法来构造多个特征子空间;其次,利用WODKM算法在所构造的特征子空间上分别进行聚类,得到多个聚类结果;第三,针对多个聚类结果采用加权投票的方法进行聚类集成。我们在多个UCI数据集上进行了实验,相对于传统的算法,本文所提出的算法可以取得较好的实验结果。

关键词：粗糙集粒度决策熵属性约简子空间聚类高维数据类别型数据

来源：评论

学校读者我要写书评

暂无评论

二级计分量表的维度结构分析方法——以EPQ为例

二级计分量表的维度结构分析方法——以EPQ为例

引用

中国心理学会成立90周年纪念大会暨第十四届全国心理学学术会议

作者：张洁婷张敏强焦璨华南师范大学心理应用研究中心深圳大学心理系

由于特定的测量目的 ,有些人格、态度量表需要采用迫选的计分方式,或者在能力量表中客观题一般是0-1计分。然而,由于二级计分的数据结构不符合传统的探索性和验证性因素分析的前提假设,这类量表并不适宜使用传统的因素分析方法进行维度... 详细信息

由于特定的测量目的 ,有些人格、态度量表需要采用迫选的计分方式,或者在能力量表中客观题一般是0-1计分。然而,由于二级计分的数据结构不符合传统的探索性和验证性因素分析的前提假设,这类量表并不适宜使用传统的因素分析方法进行维度结构的探索和验证分析。本研究首先介绍潜在类别分析的方法拓展应用于二级计分量表因素分析的理论基础和统计思路;然后以EPQ数据为例,比较传统的因素分析和基于潜在类别模型的因素分析方法在二级计分数据的维度结构分析中的应用结果和优劣;最后总结二级计分量表在维度结构探索和验证时统计方法的正确使用。

关键词：因素分析潜在类别分析类别型数据

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：