免费论文摘要：鉴于二分K均值和SVM计划树的数据发掘算法接洽

运用计划机本领对数据举行搜集和处置是IT本领一个极为要害的运用。在数据搜集进程中会遇到很多高维的数据消息，消息中包括着洪量特性。那些高维数据形成了数据发掘进程中的“维灾害”题目。所以，领会和接洽对高维数据集举行灵验消息发掘的算法显得格外要害。对准高维数据发掘的须要，正文先大略地计划了高维数据分门别类和现罕见据发掘算法的接洽热门、接洽近况及关系表面和本领，在这普通上发展了进一步接洽。接洽处事重要有：（1）计划了现罕见据发掘算法在高维数据集长进行数据发掘的不及及自符合维归约算法的要害性。开始，给出了高维数据分门别类生存的题目和接洽热门并简直说领会降维在高维数据发掘进程中的要害性。其次，引见了现有扶助向量机（SVM）分门别类算法和K均值关系算法在高维数据集运用上的不及，为后续算法的矫正打下了较好的普通。（2）安排了一种对准高维数据集的灵验的多分门别类二阶段数据发掘本领。该本领开始运用二分K 均值算法对高维数据集举行粗聚类，而后再运用SVM计划树算法对粗聚类之后的截止举行细分，即可实行对高维数据举行多分门别类的手段。该本领既灵验地缩小了高维数据在举行多分门别类时的演练功夫，并且试验截止表明该本领比简单运用K均值聚类算法或SVM算法的分门别类精确率有所普及而且也贬低了功夫搀杂度。（3）对现有的常识创造进程举行灵验领会，将数据预处置与数据发掘实行里面轮回，进而获得较优的发掘截止。正文运用扶助向量机计划树算法（SVMDT）来实行数据发掘预处置办法中的数据降维。对准高维数据集的多分门别类题目，提出了一种贯串二分K均值聚类和SVMDT算法的自符合分门别类本领（BKM-SVMDT本领）。在BKM-SVMDT本领中，开始运用PCA将原始数据集从高维空间变幻到低维空间上，而后在获得的低维空间上实行二分K均值算法来获得样品的类消息，再运用上下维之间的引导矩阵H天生高维数据的类消息，引导SVMDT算法举行分门别类，再获得低维数据集和新的引导矩阵H，进而可在获得的新的低维数据空间长进行二分K均值聚类算法，这个进程重复实行下来，直到到达相映抑制截止。该本领既较好地制止了维灾害题目，又能自符合地获得那种情势的抑制截止。与NLSVM算法和SVM计划树算法的比较试验也证领会BKM-SVMDT本领的灵验性。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/240825.html