聚类泛化

聚类结果可视化方法

基于K-means算法聚类数据，将多维结果集转换为3D空间点坐标。 采用主成分分析方法实现数据挖掘结果可视化。

数据挖掘 2 2024-05-23

网络性能和泛化能力

神经网络模型的训练目标不仅是降低训练误差，更重要的是提高模型对未知样本的泛化能力，即正确识别从未遇到过的样本。仅提供训练误差指标是不够的，还需评估模型对未知样本的表现。

算法与数据结构 2 2024-05-13

分割聚类

聚类分析中的分割聚类技术 数据挖掘算法中的一种聚类方法

数据挖掘 2 2024-05-25

聚类算法对比

该研究深入探讨了数据挖掘中的聚类算法，全面比较了各种算法的优点和局限性。

数据挖掘 4 2024-05-01

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

Snort 入侵检测系统规则泛化模型

摘要：提出一种改进 Snort 入侵检测系统的规则泛化模型，通过聚类和最近邻泛化等方法增强检测能力，提高了入侵行为检测率，实现了新入侵行为的识别。

数据挖掘 4 2024-05-20

大数据分析中聚类算法的并行化研究

探讨了在大数据分析中如何通过将传统聚类算法并行化来提高计算效率的方法。结合MapReduce分布式处理模型，作者对K-means、PAM和CLARA等三种常见算法进行了分布式化实验，并分析了数据规模和节点数量对并行算法性能的影响。实验结果表明，该方法有效地实现了聚类算法的并行化，并适用于分布式系统。

数据挖掘 2 2024-07-15

基于网格的聚类

基于网格的聚类算法是一种能有效发现任意形状簇的无监督分类算法，克服了基于划分和层次聚类方法的局限性。网格方法将数据空间划分为网格，将落在同一网格中的数据点视为同一簇。常见的基于网格的聚类算法包括：- CLIQUE- WaveCluster

数据挖掘 4 2024-05-01

空间聚类技术综述

空间聚类作为空间数据挖掘的核心技术，在各领域有着广泛应用。其算法分类包括划分、层次、密度、网格、模型等，分别具有不同的性能需求和聚类过程。

数据挖掘 2 2024-05-25

密度聚类数据集

密度聚类是一种无监督学习方法，通过分析数据点之间的相对密度来识别数据集中的聚类结构。这种方法特别适用于处理不规则形状、大小不一且存在噪声的数据集。在名为\"密度聚类数据集\"的压缩包中，包含多个经典数据集，用于测试和比较各种基于密度的聚类算法的效果。密度聚类算法的核心思想是将高密度区域识别为聚类，而低密度区域则作为聚类间的过渡地带。著名的算法包括DBSCAN，它能够发现任意形状的聚类。除了DBSCAN，还有OPTICS和HDBSCAN等改进型算法，用于理解数据的复杂结构和自动检测不同密度的聚类。这些数据集广泛应用于图像分割、天文数据分析和社交网络分析等领域。

算法与数据结构 2 2024-07-16