针对基于聚类的离群点检测算法在处理高维数据流时效率和精确度低的问题,提出一种高维数据流的聚类离群点检测(CODHD-Stream)算法.该算法首先采用滑动窗口技术对数据流划分,然后通过属性约简算法对高维数据集降维;其次运用基于距离的信息熵过滤机制的K-means聚类算法将数据集划分成微聚类,并检测微聚类的离群点.通过实验结果分析表明:该算法可以有效提高高维数据流中离群点检测的效率和准确度.

属性约简matlab代码宫颈癌分析 分析来自 Kaggle 的数据集，使用 27 个可能与发展为宫颈癌有因果关系的属性，为宫颈癌诊断构建预测性二元分类模型。 该项目旨在通过奇异值分解、支持向量机和人工神经网络来了解哪些属性最能说明女性是否会患上宫颈癌。 该数据集包括 4 项诊断测试的结果：Hinselmann、席勒、细胞学和活检。 对 Hinselmann 结果进行了奇异值分解，而对所有 4 个结果都进行了 SVM 和 ANN 该项目是 MATH123: Mathematical Aspects of Data Analysis A 的最终项目，这是塔夫茨大学的一门课程 文件 宫颈癌 Python Main data analysis: Includes analysis via Support Vector Machine and Artificial Neural Networks (ANN) to build a binary classification model to determine whether or not someone would be diagnosed w

三、基于粗糙集的属性约简 定义 对等价关系族R，存在r∈R,如果 则r为R中可省略的，否则称r为R中不可省略的。 (ind(R)表示集合中元素关于R不可分辨关系) 对于属性子集 ，若存在, , 使得 则Q为最小子集，则称Q为P的简化，记为

以邻域粗糙集的属性重要度作为量度，从一个空集出发，前向贪心的选择重要度大的属性并入到约简集合，直到达到约简条件。

粗糙集基础知识的程序实现（java），包括基于决策表的等价类计算、基于决策表的核属性计算和两种属性约简算法。

基于差别矩阵属性约简算法的改进

本文件包含采用粗糙集方法对属性进行约简的matlab程序以及程序的各部分函数详细说明，使用起来方便，上手快。

利用邻域粗糙集进行属性约简，里面加入了8个数据集，有离散型数据，连续性数据，字母型数据。因此程序也加入了数据类型转换和归一化处理。程序函数在最下面部分。

属性约简matlab代码图嵌入技术 它提供了一些基于无任务或特定于任务的直觉的有趣的图形嵌入技术。 目录 1.1。 1.2。 2.1。 2.2。 3.1。 3.2。 3.3。 3.4。 3.5。 1.纯网络嵌入 1.1。 节点邻近关系 DeepWalk：在线学习社交代表（KDD'14）。 LINE：大规模信息网络嵌入（WWW'15）。 node2vec：网络的可伸缩功能学习（KDD'16）。 注意您的步骤：通过图注解学习节点嵌入（NIPS'18）。 深度图Infomax（ICLR'19）。 1.2。 结构认同 struc2vec：从结构标识中学习节点表示（KDD'17）。 通过扩散小波（KDD'18）学习结构节点嵌入。 2.属性网络嵌入 2.1属性向量 标签通知属性网络嵌入（WSDM'17）。 加速属性网络嵌入（SDM'17）。 图的深度高斯嵌入：通过排名的无监督归纳学习（ICLR'18）。 2.2。 文字内容 具有富文本信息的网络表示学习（IJCAI'15）。 CANE：用于关系建模的上下文感知网络嵌入（ACL'17）。 用于文本网络嵌入的扩散图（NIPS'18）。 3.图神经网络

基于智能优化算法的粗糙集属性约简方法研究