博士学位论文答辩
数据挖掘中聚类若干问题研究
Study on Some Issues of Data Clustering
in Data Mining
1
博士学位论文答辩
研究背景
聚类的有效性函数和精确度
中心迭代优化聚类的初始化方法
分类属性数据聚类
基于Hsim函数的模糊k-median聚类
总结与问题
2
研究背景
博士学位论文答辩
3
研究背景
数据挖掘技术的产生
“数据丰富而信息贫乏”
数据库、人工智能和数理统计是数据挖掘技术发展的三大支柱。
应用领域的推动也促进了数据挖掘技术的进一步发展。
4
研究背景
聚类分析成为数据挖掘的一项重要功能
聚类分析作为多元统计分析方法之一,已经被广泛研究了多年。在机器学习领域,聚类属于无监督学习。在模式识别领域,聚类是非监督模式识别的一个重要分支。
由于数据挖掘技术是在数据库,机器学习,数理统计等技术的基础上发展而来,聚类分析也成为数据挖掘领域中一个非常活跃的研究领域。
5
研究背景
数据挖掘中聚类分析的特点
数据量大
数据类型多样化
数据维数较高
聚类结果应具有可解释性和可用性
……
6
博士学位论文答辩
聚类的有效性函数和精确度
7
研究现状
基于模糊划分的有效性函数
基于几何结构的有效性函数
基于统计信息的有效性函数
……
8
基于几何结构的聚类有效性函数
Dunn分离性指标
Xie-Beni指标
Dunn指标值大,表明数据集包含有紧密度和分离度好的聚类。
Xie-Beni指标的最小值对应最优聚类。
9
一种新的聚类有效性函数
:欠划分函数:
:过划分函数:
10
数据挖掘中聚类若干问题研究 来自淘豆网m.daumloan.com转载请标明出处.
