典型K平均算法中的聚类数k必须是事先给定的确定值,然而实际中很难精确确定,因而无法解决该核算法的实际问题。为此，提出距离代价函数作为最佳聚类数的有效性检验函数,建立了相应的数学模型,并据此提出了一种改进的k值优化算法。实验证明，与传统基于平均值方法实现数据聚类相比，用改进K值优化算法有效提高数据聚类效果。
2023-01-15 01:23:59
568KB
1
基于地基于地理信息系统空间数据挖掘若干关键技术的研究.pdf理信息系统空间数据挖掘若干关基于地理信息系统空间数据挖掘若干关键技术的研究.pdf键基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf基于地理信息系统空间数据挖掘若干关键技术的研究.pdf技术的研究.pdf
2022-04-16 14:06:29
5.71MB
空间决策树
建造一个决策树，有五个主要步骤：
根据已知的分类，从数据D中找到例子S。
确定最佳谓词p用来分类。一般首先在较粗的层次中寻找相关谓词，然后再在较为细化的层次。
找到最佳的缓冲区大小和形状。对于取样中的每个实体，它周围的区域被称为缓冲区。目标是选择一个能产生对测试集中的类型进行最不同的缓冲区。
使用p和C，对每个缓冲区归纳谓词。
使用泛化的谓词和ID3建造二叉树T。
算法8-5 空间决策树算法
输入：空间数据库D；概念层次C；预定的类别。
输出：二叉决策树T。
（1）根据预定的类别，从数据D中找到例子S；
（2）确定最佳谓词p用来分类；
（3）找到最佳的缓冲区大小和形状；
（4）使用p和C，对每个缓冲区归纳谓词；
（5）使用泛化的谓词和ID3建造二叉树T.
2022-03-15 23:41:29
637KB
1
DBCLASD算法
一种大型空间数据库基于距离分布的聚类算法，叫做DBCLASD（Distribution Based Clustering of Large Spatial Databases），它是DBSCAN 的扩展。假定聚类中的项目是均匀分布的，算法尝试确定满足最近邻居距离的分布。只要最近的邻居距离满足均一分布的假设，那么这个元素就被加入聚类。
算法8-7 DBCLASD算法
输入：要被聚类的空间实体D；输出：聚类集合K。
（1） K←0；//初始化，没有聚类
（2） c←Ф；//初始化候选集合为空
（3） FOR each point p in D DO BEGIN
（4） IF p is not in a cluster THEN BEGIN
（5） 创建一个新的聚类C，并把p加入C；
（6） 把p临近的点加入C；
（7） END
（8） FOR each point q in C DO BEGIN
（9） 把C中没有处理过的点q的邻居点加入C；
（10） K←K∪{C}
（11）END.
2021-07-27 10:48:30
637KB
1