基于快速聚类的髙维数据特征选择算法

基于特征聚类集成技术的组特征选择方法

特征选择是模式识别和机器学习领域中不可或缺的技术，从一组特征中挑选出最有效的以降低特征空间维度。在当前海量高维数据的背景下尤为重要，通过选择合适的特征选择算法，可以去除不相关和冗余特征，提升学习算法的泛化性能和运行效率。特征选择广泛应用于文本分类、生物信息学和信息检索等领域。

数据挖掘 2 2024-07-17

选择聚类算法

探索聚类算法以有效提取 Web 数据洞察力。

数据挖掘 3 2024-05-25

基于密度树的网格快速聚类算法

该算法将网格原理应用于基于密度树的聚类算法，提高效率，降低I/O开销。

数据挖掘 4 2024-05-20

基于主动数据选择的半监督聚类算法研究

近年来，基于主动数据选择的半监督聚类技术成为数据挖掘和机器学习领域的研究热点。该技术通过利用少量标签数据，显著提高了聚类精度。然而，现有的半监督聚类算法在处理大规模数据时仍面临挑战。

数据挖掘 2 2024-07-18

快速近邻传播聚类算法

一种快速有效的聚类方法，利用Silhouette指标确定偏向参数，结合局部保持投影方法删除数据冗余信息，处理复杂和高维数据。实验表明，该算法优于传统近邻传播算法。

算法与数据结构 2 2024-04-30

基于DBSCAN算法的数据聚类技术

利用JAVA语言设计的面向对象的基于DBSCAN算法的数据分类技术，充分发挥其在数据处理中的优势和效果。

数据挖掘 2 2024-07-13

WEKA中文教程选择聚类算法的详细指南

在本教程中，我们将深入探讨如何在WEKA中选择最适合的聚类算法。

Hadoop 0 2024-08-27

基于特征向量的动态增量聚类算法研究及设计(2012年)

在数据挖掘领域，聚类是处理数据初始阶段的重要方法。在动态系统中，随着新数据的不断增加，重新聚类既费时又浪费资源。首先介绍了聚类的基本概念和分类，然后提出了一种基于特征向量的增量聚类算法。该算法仅针对新增数据进行聚类，从而节省了大量资源和时间。通过实验比较了该算法与传统重新聚类方法在动态系统中处理新增数据的效果，验证了其可行性。

数据挖掘 0 2024-08-03

基于划分的聚类算法-K-prototypes算法

K-prototypes算法是结合了K-Means与K-modes算法，专门用于处理混合属性数据。它解决了数值属性和分类属性同时存在的情况。具体而言，数值属性通过K-means方法得到聚类中心P1，而分类属性则通过K-modes方法得到聚类中心P2。然后，通过加权组合这两个中心来计算距离度量D，权重a决定了分类属性在计算中的重要性。更新簇中心的方法结合了K-Means与K-modes的更新策略。

算法与数据结构 2 2024-07-13