聚类结果

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

聚类结果评价指标与算法终止条件

聚类结果的合理性度量与算法终止准则 假设 $C_i^{(n)}$ 代表第 $n$ 次聚类后的第 $i$ 类集合，$Z_i^{(n)}$ 为第 $n$ 次聚类得到的第 $i$ 类聚核。 定义一个指标用于衡量聚类结果的合理性。当分类不合理时，该指标会很大；随着聚类过程的进行，该指标逐渐下降，并最终趋于稳定。

算法与数据结构 2 2024-05-19

聚类结果评估测量聚类准确率与兰德指数 - Matlab开发

评估聚类结果的准确率和兰德指数是一项重要任务。Acc代表聚类准确性，rand_index则衡量聚类结果的一致性。match是一个2xk矩阵，展示目标与聚类结果的最佳匹配。输入包括目标索引T和聚类结果索引idx，通过kmeans函数实现。具体而言，初始数据X是一组二维随机点，通过五次复制的kmeans计算得到聚类结果idx。

Matlab 0 2024-08-11

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

WEKA数据挖掘工具中聚类结果的可视化方法

在WEKA中，您可以通过右击“Result list”中列出的聚类结果，并选择“Visualize cluster assignments”来观察聚类结果的可视化图表。弹出窗口将展示各个实例的散点图，您可以在顶部两个框中选择横纵坐标，通过“color”选项为散点图着色，标识不同的簇。

Hadoop 0 2024-08-10

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

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