基于划分方法的聚类分析(共4页).doc

精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
南京信息工程大学 滨江学院 实验（实习）计算设定可允许的最小标准差。SimpleKMeans使用k均值来聚类数据；聚类的数量通过一个参数设定。Cobweb实现了用于名词属性的Cobweb算法和用于数值性属性的Classit算法。FarthestFirst实现Hochbaum和Shmoys远端优先遍历算法。MakeDensityBaseCluster是一个元聚类器，它包装一个聚类算法，使其返回一个概率分布和密度。它为每个聚类拟合一个离散分布，或一个对称的正态分布。
精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
实验操作
（1）在开始程序（或者桌面图标），单击即可启动WEKA，启动WEKA时会发现首先出现的一个命令提示符。接着将出现如下Weka GUI Chooser界面。
（2）选择GUI Chooser中的探索者（Explorer）用户界面。点击预处理（Preprocess）功能按钮的，Open file，选择其中的“bank-data”数据作关联规则的分析。打开“bank-”，可以看到“Current relation”、“Attributes”“Selected attribute”三个区域。
（3）对于原始数据“bank-”的预处，删去属性“id”，保存为ARFF格式后，修改属性“children”为分类型。这样得到的数据文件为“”，含600条实例。
精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
（4）用“Explorer”打开刚才得到的“”，并切换到“Cluster”选项卡。点击“Choose” 在随后打开的层级式菜单中的选择“SimpleKMeans”，这是WEKA中实现K均值的算法。点击旁边的文本框，修改“numClusters”为6，说明我们希望把这600条实例聚成6类，即K=6。下面的“seed”参数是要设置一个随机种子，依此产生一个随机数，用来得到K均值算法中第一次给出的K个簇中心的位置，先设定为10。
（7）选中“Cluster Mode”的“Use training set”，点击“Start”按钮，观察右边“Clusterer output”给出的聚类结果。也可以在左下角“Result list”中这次产生的结果上点右键，“View in separate window”在新窗口中浏览结果。
（8）实验结果：
结果中有这么一行字样：
Within cluster sum of squared errors:
精选优质文档-----倾情为你奉上
精选优质文档-----倾情