数据挖掘聚类问题(Plants Data Set)实验报告
1.数据源描述
1.1数据特征
本实验用到的是关于植物信息的数据集，其中包含了每一种植物(种类和科属)以及它们生长的地区。数据集中总共有68个地区，主要分布在美国和加拿大。一条数据(对应于文件中的一行)包含一种植物(或者某一科属)及其在上述68个地区中的分布情况。可以这样理解，该数据集中每一条数据包含两部分内容，如下图所示。
图1 数据格式
例如一条数据:abronia fragrans,az,co,ks,mt,ne,nm,nd,ok,sd,tx,ut,wa,wy。其中abronia fragrans是植物名称(abronia是科属，fragrans是名称)，从az一直到wy 是该植物的分布区域，采用缩写形式表示，如az代表的是美国Arizona州。植物名称和分布地区用逗号隔开，各地区之间也用逗号隔开。
1.2任务要求
聚类。采用聚类算法根据某种特征对所给数据集进行聚类分析，对于聚类形成的簇要使得簇内数据对象之间的差异尽可能小，簇之间的差距尽可能大。
2.数据预处理
2.1数据清理
所给数据集中包含一些对聚类过程无用的冗余数据。数据集中全部数据的组织结构是：先给出某一科属的植物及其所有分布地区，然后给出该科属下的具体植物及其分布地区。例如：
①abelmoschus,ct,dc,fl,hi,il,ky,la,md,mi,ms,nc,sc,va,pr,vi
②abelmoschus esculentus,ct,dc,fl,il,ky,la,md,mi,ms,nc,sc,va,pr,vi
③abelmoschus moschatus,hi,pr
上述数据中第①行给出了所有属于abelmoschus这一科属的植物的分布地区，接下来的②③两行分别列出了属于abelmoschus科属的两种具体植物及其分布地区。从中可以看出后两行给出的所有地区的并集正是第一行给出的地区集合。在聚类过程中第①行数据是无用的，因此要对其进行清理。
2.2数据变换
本实验是依据植物的分布区域进行聚类，所给数据集中的分布区域是字符串形式，不适合进行聚类，因此将其变换成适合聚类的数值形式。具体思想如下：数据集中总共包含68个区域，每一种植物的分布区域是这68个区域中的一部分。本实验中将68个区域看成是数据对象的68个属性，这68个属性是二元类型的变量，其值只能去0或者1。步骤如下：
1.把68个区域按一定顺序存放在字符串数组(记为str)中(顺序可以自己定，确定后不能改变)。
2.为数据集中的每个数据对象设置一个长度为68字符串数组，初始元素值全为0。将数据对象的分布区域逐个与str中的所有元素比较。如果存在于str 中下标i的位置，就将该数据对象的字符串数组的第i位置为1。
例如，一个数据对象为：abies fraseri,ga,nc,tn,va。其分布区域包含ga,nc,tn和va四个地区，将这四个地区逐个与str中全部68个元素比较。假设这四个地区分别存在于str中的第0,1,2,3位置，则将为该数据对象设置的字符串数组中第0,1,2,3位置全部置为1。
★数据预处理代码(包括数据清理和数据变换)：
public ArrayList
ArrayList
BufferedReader bufferedReader = null;
FileReader fileReader = null;
File dataFile = new File(this.fileName);
if (dataFile.exists()) {// 如果数据文件存在
try {
fileReader = new FileReader(this.fileName);
bufferedReader = new BufferedReader(fileReader);
String data = null;
while ((data = bufferedReader.readLine()) != null) {
if (isRightData(data))
raw_dataSet.add(data);
}
} catch (Exception e) {
e.printStackTrace();
}
} else
this.isFileExit = false;
return raw_dataSet;
}// getRaw_DataSet,从本地txt文件获取数据集
public ArrayList
ArrayList
ArrayList
for (int i = 0; i < temp_DataSet.size(); i++) {
ArrayList
eachRomItem = this.spilt(temp_DataSet.get(i), ',');// 除去","后的每一行数据
DataItem data_Item = new DataItem(eachRomItem, true);
finished_DataSet.add(data_Item);
}// for
return finished_DataSet;
}
public boolean isRightData(String data) {// 筛选出合适的数据
ArrayList
tempArrayList = spilt(data, ' ');
if (tempArrayList.size() <= 1)
return false;
return true;
}// isRightData,筛选出合适的数据
public ArrayList
ArrayList
for (int i = 0; i < str.length(); i++) {
if (str.charAt(i) != ch) {
if (i != str.length() - 1)
continue;
else {
words.add(str.substring(beginIndex));
}
} else {
String temp = str.substring(beginIndex, i);
words.add(temp);
beginIndex = i + 1;
}
}// for
return words;
}
3.聚类分析
3.1 算法描述
本实验采用了聚类分析中常用的K均值(K-Means)算法。该算法思想如下：
算法：K均值。用于划分的K均值算法，每个簇的中心用簇中对象的均值表示。输入：
■k：簇的属目
■D：包含n个对象的数据集。
输出：k个簇的集合。
方法：
(1)从D中任意选择k个对象作为初始簇中心；
(2)repeat
(3) 根据簇中对象的均值，将每个对象(再)指派到最相似的簇；
(4) 更新簇均值，既计算每个簇中对象的均值；
(5)until 不再发生变化
根据上述算法，结合本实验实际情况和数据集特征给出程序的执行流程图：
图2 程序执行流程
针对上面的流程图，有几点说明：
1.数据预处理主要包括前述数据清理和数据变换，最终生成用于聚类分析的数据集。
2.簇的个数k 由用户指定，k 越大聚类过程耗时越久。
3.图中“最相似”意思就是距离中心点距离最近，本实验中采用欧几里得距离，其定义如下：
)()()(222...2211),(x x x x x x jn in j i j i j i d ---+++=
其中),...,,(21x x x in i i i =和),...,(21x x x jn j j j =是两个n 维数据对象。在本实验中，
x i 1和x j 1分别代表为i,j 两个数据对象设置的字符串数组(参看2.2)中下标为1
的元素值，此处n 为68。
4.流程图中的终止条件指的是：前后两次中心点之间的距离(仍然用欧几里得距离)是否小于设定的值。例如，第n 次迭代完成后重新生成了k 个新的中心点，计算k 个新中心点与k 个旧的中心点距离之和并将结果与设定的值比较，若小于设定值则终止迭代，聚类完成，否则继续迭代。
3.2 算法实现
图3 代码文件的组织结构
上图是本实验源码的组织结构，该项目包含五个Java 类。每个类的功能描述如下： ◆Cluster.java 类 该类定义了簇的结构，包含簇标志，簇成员和簇中心点三个字段。该类的每一个实例对应于聚类过程中的一个簇。
◆DataItem.java 类 该类定义了数据对象的结构，主要包含数据对象名称(即植物名称)和数据对象字符串数组(即植物的分布区域)。该类的每一个实例对应于数据集中的一个数据对象。
◆Main.java类该类是程序的核心类，主要功能是执行聚类过程，包括中心点的选取与更新，计算各个数据对象与中心点之间的距离并把其派分到最相似的簇等。
◆ReadData.java类该类主要功能是生成聚类过程适用的数据集，包括读取文件，数据预处理等。
◆Tools.java类该类是一个工具类，其中定义了多个程序中使用到的静态方法。★Mian.java类中的核心代码：
(1) 随机选取中心点
public void setCenter_ran() {// 第一次，从数据集中随机选取中心点
beginTime = System.currentTimeMillis();
System.out.println("聚类过程开始,开始于:" + Tools.currentTime());
Random ran = new Random();
int order = 0;// 随机选取中心点
while (this.center.size() < numOfCluster) {
order = ran.nextInt(toBeProcessed.size());
if (Tools.isProCener(toBeProcessed.get(order), this.center))
this.center.add(toBeProcessed.get(order));
}// while
}
(2)初始化簇集合
public void initArrayCluster(ArrayList
this.arrayCluster.clear();// 把簇集合清空
for (int i = 0; i < center.size(); i++) {
Cluster cluster = new Cluster(i, center.get(i));
if (this.center.get(i).getIsDataItem())
cluster.addMembers(center.get(i));
this.arrayCluster.add(cluster);
}
}
(3)执行聚类过程(计算距离，把数据对象派分到最相似簇中)
public void runCluster(ArrayList
int beyondIndex = 0;// 判断数据项属于哪一个簇，初始默认为是0簇
Random rd = new Random();// 随机函数
printBeginInfo();// 打印以此迭代开始前的信息。
for (int i = 0; i < toBeProcessed.size(); i++) {
beyondIndex = 0;
boolean isAlreadyExitInCluster = true;// 标记当前处理的数据对象是否已经存在于某个簇中
double minDistance = Tools.calcDistance(toBeProcessed.get(i),
center.get(0), 0);
int ranIndex = rd.nextInt(center.size());// 随机产生一个中心点集合的索引
for (int j = 0; j < center.size(); j++) {// 分别与每一个中心点进行比较if (center.contains(toBeProcessed.get(i)))// 如果正在处理的数据对象存在于中心点集合中，则跳出循环
break;
isAlreadyExitInCluster = false;
if (ranIndex >= center.size())
ranIndex = ranIndex % center.size();
double correntDistance = Tools.calcDistance(
toBeProcessed.get(i), center.get(ranIndex), 0);
if (correntDistance < minDistance) {
minDistance = correntDistance;
beyondIndex = ranIndex;
}// 第二个if
ranIndex++;
}// 第二个for
if (!isAlreadyExitInCluster) {
this.arrayCluster.get(beyondIndex).addMembers(
toBeProcessed.get(i));// 把数据对象加入到对应的簇中}
}// 第一个for
System.out.println("第" + this.count + "次迭代完成。");
printClusteringInfo();
}
(4)迭代过程(产生新的中心点，继续执行聚类过程直至满足终止条件)
public void finishCluster() {
DecimalFormat df = new DecimalFormat("##.000");// 格式化数据，保留三位小数
for (int i = 0; i < NUM; i++) {
double moveDistance = 0.0;// 存放各个簇新旧中心点欧几里得距离之和
// 重新计算簇中心点
for (int j = 0; j < numOfCluster; j++) {
boolean isEmptyCluster = true;
DataItem newCenterItem;// 声明新的中心点对象
int size = this.arrayCluster.get(j).getMembers().size();
double[] newCenterArea = new double[NUMOFAREA];
// 计算簇中数据的均值
for (int index = 0; index < NUMOFAREA; index++) {
double tempValue = 0.0;// 暂存每一列区域值的加和
for (int k = 0; k < size; k++) {
isEmptyCluster = false;
tempValue += this.arrayCluster.get(j).getMembers()
.get(k).getAreas()[index];
}
if (!isEmptyCluster) {
newCenterArea[index] = Double.valueOf(df
.format(tempValue / size));
} else
break;
}// 第三个for
if (!isEmptyCluster) {// 如果簇不为空
String name = "cluster" + j;
newCenterItem = new DataItem(name, newCenterArea, false);// 新的簇中心点对象
DataItem oldCenter = this.center.get(j);// 获取旧的簇中心点
moveDistance += Tools.calcDistance(oldCenter,
newCenterItem, 0);// 计算新旧中心点移动的距离
this.center.remove(j);// 更新簇中心点集合
this.center.add(j, newCenterItem);
}
}// 第二个for,重新计算簇中心
// System.out.println(this.center.toString());// 打印新的中心点信息
if (moveDistance < EXIT * numOfCluster) {
break;
}
count++;
initArrayCluster(this.center);
runCluster(this.center);
}// 第一个for
}
3.3 问题与改进
聚类分析要求不同簇之间的距离尽可能大，初始随机选取的中心点并不能保证不同中心点之间的距离尽可能远，本程序对算法进行改进，在随机选取中心点时要求与已经选取的中心点之间的距离大于设定值。这样做保证了随机选取的中心点相对比较分散，提高了聚类效果。主要代码如下：
public static boolean isProCener(DataItem centerItem,// 判断是不是合适的中心点ArrayList
if (center.size() > 0) {// 如果当前的中心点集合不为空
for (int i = 0; i < center.size(); i++) {
if (Tools.calcDistance(centerItem, center.get(i), 0) < DIFF)
return false;
}
if (center.contains(centerItem))
return false;
}
return true;
}
4.开发与运行环境配置
●操作系统：Windows 7
●开发工具：Eclipse
●开发语言：Java
●CPU频率：2.2GHz
●内存：3.5GB
两种运行方式：①解压源程序，将PlantsClustering工程导入Eclipse即可运行；②直接运行打包生成的exe文件。两种方式均要求电脑上安装有JDK1.5或更高版本。
5.程序运行情况分析
5.1 运行截图
图4 指定数据文件并输入聚类簇数
程序运行开始时需要用户指定数据文件的路径，不指定的话默认是D盘根目录下的plants.data.txt文件。之后需要用户输入聚类产生的簇数，簇数介于1到100之间。
图5 迭代过程，输出中心点信息
每次迭代会输出本次迭代的中心点信息。上图是第一次迭代的部分中心点信
息(总共有50个中心点)。
图6 第一次迭代后簇的信息图7 簇的信息和终止条件的判定
一次迭代完成后会输出本次迭代后各簇的信息并计算新旧中心点的移动距
离，与设定的值比较，判定是否继续迭代。
图8 把簇的信息保存到本地
满足终止条件，迭代结束，此时会在D:\DataMining\目录下生成保存各个簇信息的文件，里面是该簇中包含的数据对象。
5.2 聚类效果分析
聚类分析要求得到的簇之间相异度尽可能大，簇内的数据对象相异度尽可能小。本程序会在聚类分析完成后会输出各簇内的平均距离和簇间平均距离，作为对聚类效果评判的参考。如下截图：
图9 聚类效果
5.3 总结
K 均值聚类算法的效果与簇数和初始中心点有关。初始中心点选取应尽可能分散。簇数越多聚类效果越好，但同时程序运行的时间开销也会加大，平衡二者找到一个合适的k 是该算法的一个重点。
《数据挖掘》Weka实验报告 姓名＿学号＿ 指导教师 开课学期2015 至2016 学年 2 学期完成日期2015年6月12日
1.实验目的 基于https://www.doczj.com/doc/3415406744.html,/ml/datasets/Breast+Cancer+WiscOnsin+%28Ori- ginal%29的数据，使用数据挖掘中的分类算法，运用Weka平台的基本功能对数据集进行分类，对算法结果进行性能比较，画出性能比较图，另外针对不同数量的训练集进行对比实验，并画出性能比较图训练并测试。 2.实验环境 实验采用Weka平台，数据使用来自https://www.doczj.com/doc/3415406744.html,/ml/Datasets/Br- east+Cancer+WiscOnsin+%28Original%29，主要使用其中的Breast Cancer Wisc- onsin (Original) Data Set数据。Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 3.实验步骤 3.1数据预处理 本实验是针对威斯康辛州(原始)的乳腺癌数据集进行分类，该表含有Sample code number（样本代码)，Clump Thickness（丛厚度），Uniformity of Cell Size （均匀的细胞大小），Uniformity of Cell Shape （均匀的细胞形状），Marginal Adhesion（边际粘连），Single Epithelial Cell Size（单一的上皮细胞大小），Bare Nuclei（裸核），Bland Chromatin（平淡的染色质），Normal Nucleoli（正常的核仁），Mitoses（有丝分裂），Class（分类），其中第二项到第十项取值均为1-10，分类中2代表良性，4代表恶性。通过实验，希望能找出患乳腺癌客户各指标的分布情况。 该数据的数据属性如下： 1. Sample code number（numeric），样本代码； 2. Clump Thickness（numeric），丛厚度；
《计算方法》上机实验报告 班级：XXXXXX 小组成员：XXXXXXX XXXXXXX XXXXXXX XXXXXXX 任课教师：XXX 二〇一八年五月二十五日
前言 通过进行多次的上机实验，我们结合课本上的内容以及老师对我们的指导，能够较为熟练地掌握Newton 迭代法、Jacobi 迭代法、Gauss-Seidel 迭代法、Newton 插值法、Lagrange 插值法和Gauss 求积公式等六种算法的原理和使用方法，并参考课本例题进行了MATLAB 程序的编写。 以下为本次上机实验报告，按照实验内容共分为六部分。 实验一： 一、实验名称及题目： Newton 迭代法 例2.7(P38):应用Newton 迭代法求 在 附近的数值解 ，并使其满足 . 二、解题思路： 设'x 是0)(=x f 的根,选取0x 作为'x 初始近似值,过点())(,00x f x 做曲线)(x f y =的切线L ,L 的方程为))((')(000x x x f x f y -+=,求出L 与x 轴交点的横坐标) (') (0001x f x f x x - =,称1x 为'x 的一次近似值,过点))(,(11x f x 做曲线)(x f y =的切线,求该切线与x 轴的横坐标) (') (1112x f x f x x - =称2x 为'x
的二次近似值,重复以上过程,得'x 的近似值序列{}n x ,把 ) (') (1n n n n x f x f x x - =+称为'x 的1+n 次近似值，这种求解方法就是牛顿迭代法。 三、Matlab 程序代码： function newton_iteration(x0,tol) syms z %定义自变量 format long %定义精度 f=z*z*z-z-1; f1=diff(f);%求导 y=subs(f,z,x0); y1=subs(f1,z,x0);%向函数中代值 x1=x0-y/y1; k=1; while abs(x1-x0)>=tol x0=x1; y=subs(f,z,x0); y1=subs(f1,z,x0); x1=x0-y/y1;k=k+1; end x=double(x1) K 四、运行结果： 实验二：
课程设计总结报告 课程名称：《光电技术》课程设计学生姓名：汤备 系别：物理与电子学院专业：电子科学与技术指导教师：徐代升 2010年07 月02日
目录 一、设计任务书 (3) 1、课题 (3) 2、目的 (3) 3、设计要求 (3) 二、实验仪器 (3) 三、设计框图及整体概述 (4) 四、各单元电路的设计方案及原理说明 (4) NE定时器构成多谐振荡器作调制电源 (5) 1、用555 NE电路结构 (5) （1）555 NE定时器组成的多谐振荡器 (5) （2）由555 （3）发射端电路 (6) LF放大器构成接收放大电路 (7) 2、用353 （1）光放大器 (7) （2）光比较放大器 (7) 五、调试过程及结果 (8) 1、调试的过程及体会 (8) 2、调试结果 (9) 六、设计、安装及调试中的体会 (9) 七、对本次课程设计的意见及建议 (9) 八、参考文献 (10) 九、附录 (10) 1、整体电路图 (10) 2、课程设计实物图 (10) 3、元器件清单 (11)
一、设计任务书 1、课题 光电报警系统设计与实现。 2、目的 本课程设计的基本目的在于巩固电子技术、光电技术、感测技术以及传感器原理等方面的理论知识，从系统角度出发，培养综合运用理论知识解决实际问题的能力，并养成严谨务实的工作作风。通过个人收集资料，系统设计，电路设计、安装与调试，课程设计报告撰写等环节，初步掌握光电系统设计方法和研发流程，逐步熟悉开展工程实践的程序和方法。 3、设计要求 （1）基本要求 NE构成占空比为0.5多谐振荡器作发光二极管的调制电源，并对参用555 LM构成比较放大器进行报警电路设计；画出所数选择进行分析说明；选用324 做实验的全部电路图，并注明参数；记录调试完成后示波器输出的各测量点电压波形。 （2）扩展要求（选做） 分析影响作用距离的因素，提出提高作用距离的措施；设想光电报警系统的应用场合，并根据不同应用提出相应电路的设计方案。如需要闪烁报警，电路如何设计？ 二、实验仪器 多功能面包板………………………………………………………………1块TDS.60MHz.1Gs s双通道数字存储波示器………………………1台1002 YB A A直流稳压电源…………………………………………………1台 17333 万用表………………………………………………………………………1台
数据挖掘实验报告（一） 数据预处理 姓名：李圣杰 班级：计算机1304 学号：1311610602
一、实验目的 1.学习均值平滑，中值平滑，边界值平滑的基本原理 2.掌握链表的使用方法 3.掌握文件读取的方法 二、实验设备 PC一台，dev-c++5.11 三、实验内容 数据平滑 假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40, 45, 46, 52, 70。使用你所熟悉的程序设计语言进行编程，实现如下功能（要求程序具有通用性）： (a) 使用按箱平均值平滑法对以上数据进行平滑，箱的深度为3。 (b) 使用按箱中值平滑法对以上数据进行平滑，箱的深度为3。 (c) 使用按箱边界值平滑法对以上数据进行平滑，箱的深度为3。 四、实验原理 使用c语言，对数据文件进行读取，存入带头节点的指针链表中，同时计数，均值求三个数的平均值，中值求中间的一个数的值，边界值将中间的数转换为离边界较近的边界值 五、实验步骤 代码 #include
3)国家自然科学基金(60172012)。刘青宝 博士生,副教授,主要研究方向为数据仓库技术和数据挖掘;戴超凡 博士,副教授,主要研究方向为数据仓库技术和数据挖掘;邓 苏 博士,教授,主要研究方向指挥自动化、信息综合处理与辅助决策;张维明 博士生导师,教授,主要研究方向为军事信息系统、信息综合处理与辅助决策。 计算机科学2007Vol 134№13 基于网格的数据流聚类算法3) 刘青宝 戴超凡 邓 苏 张维明 (国防科学技术大学信息系统与管理学院 长沙410073) 摘 要 本文提出的基于网格的数据流聚类算法,克服了算法CluStream 对非球形的聚类效果不好等缺陷,不仅能在 噪声干扰下发现任意形状的类,而且有效地解决了聚类算法参数敏感和聚类结果无法区分密度差异等问题。关键词 聚类,数据流,聚类参数,相对密度 G rid 2based Data Stream Clustering Algorithm L IU Qing 2Bao DA I Chao 2Fan DEN G Su ZHAN G Wei 2Ming (College of Information System and Management ,National University of Defense Technology ,Changsha 410073) Abstract With strong ability for discovering arbitrary shape clusters and handling noise ,grid 2based data stream cluste 2ring algorithm efficiently resolves these problem of being very sensitive to the user 2defined parameters and difficult to distinguish the density distinction of clusters.K eyw ords Clustering ,Data stream ,Clustering parameter ,Relative density 随着计算机和传感器技术的发展和应用,数据流挖掘技术在国内外得到广泛研究。它在网络监控、证券交易分析、电信记录分析等方面有着巨大的应用前景。特别在军事应用中,为了获得及时的战场态势信息,大量使用了各种传感器,对这些传感器数据流的分析处理已显得极为重要。针对数据流数据持续到达,且速度快、规模大等特点,数据流挖掘技术的研究重点是设计高效的单遍数据集扫描算法[12]。数据流聚类问题一直是吸引许多研究者关注的热点问题,已提出多种一次性扫描的方法和算法,如文[1～4]等等,但它们的聚类结果通常是球形的,不能支持对任意形状类的聚类[5]。 本文提出的基于网格的数据流聚类算法,在有限内存条件下,以单遍扫描方式,不仅能在噪声干扰下发现任意形状的类,而且有效地解决了基于绝对密度聚类算法所存在的高密度聚类结果被包含在相连的低密度聚类结果中的问题。 本文第1节简要介绍数据流聚类相关研究,并引出基于网格的数据流聚类算法的思路及其与相关研究的异同;第2节给出基于网格的数据流聚类算法所使用到的基本概念;第3节给出一个完整的基于网格的数据流聚类算法,详细解析算法的执行过程;第4节进行算法性能分析对比;最后总结本文的主要工作和贡献,并指出需要进一步研究和改进的工作。 1 相关研究 在有限内存约束下,一般方法很难对数据流进行任意形状的聚类。第一个增量式聚类挖掘方法是文[6]提出的In 2crementalDBSCAN 算法,它是一个用于数据仓库环境(相对稳定的数据流)的有效聚类算法,可以在有噪声的数据集中发现任意形状的类。但是,它为了形成任意形状的类,必须用类中的所有点来表示,要求获得整个数据流的全局信息,这在内存有限情况下是难以做到的。而且,它采用全局一致的绝对 密度作参数,使得聚类结果对参数值非常敏感,设置的细微不同即可能导致差别很大的聚类结果。 Aggarwal 在2003年提出的一个解决数据流聚类问题的框架CluStream [1]。它使用了两个过程来处理数据流聚类问题:首先,使用一个在线的micro 2cluster 过程对数据流进行初级聚类,并按一定的时间跨度将micro 2cluster 的结果按一种称为pyramid time f rame 的结构储存下来。同时,使用另一个离线的macro 2cluster 过程,根据用户的具体要求对micro 2cluster 聚类的结果进行再分析。但它采用距离作为度量参数,聚类结果通常是球形的,不能支持对任意形状类的聚类。而且,它维护的是micro 2cluster 的聚类特征向量(CF 2x ;CF 1x ;CF 2t ;CF 1t ;n ),这在噪声情况下,会产生干扰误差。 2006年,Feng Cao 等人在文[5]中提出了针对动态进化数据流的DenStream 算法。它相对CluStream 有很大的改进,继承了IncrementalDBSCAN 基于密度的优点,能够支持对有噪声的动态进化(非稳定)的数据流进行任意形状的聚类。但由于采用全局一致的绝对密度作参数,使得聚类结果对参数值非常敏感。同时,与CluStream 算法相比,它只能提供对当前数据流的一种描述,不能反映用户指定时间窗内的流数据的变化情况。 朱蔚恒等在文[13]中提出的基于密度与空间的ACluS 2tream 聚类算法,通过引入有严格空间的意义聚类块,在对数据流进行初步聚类的同时,尽量保留数据的空间特性,有效克服了CluStream 算法不能支持对任意形状聚类的缺陷。但它在处理不属于已有聚类块的新数据点时,使用一种类似“抛硬币”的方法来猜测是否为该点创建一个新的聚类块,误差较大。而且它以绝对密度做参考,所以在聚类结果中无法区分密度等级不同的簇[7]。 本文提出的基于网格的数据流聚类算法GClustream
计算方法实验报告格式 小组名称: 组长姓名(班号)： 小组成员姓名(班号): 按贡献排序情况: 指导教师评语: 小组所得分数: 一个完整的实验，应包括数据准备、理论基础、实验内容及方法，最终对实验结果进行分析，以达到对理论知识的感性认识，进一步加深对相关算法的理解，数值实验以实验报告形式完成，实验报告格式如下： 一、实验名称 实验者可根据报告形式需要适当写出． 二、实验目的及要求 首先要求做实验者明确，为什么要做某个实验，实验目的是什么，做完该实验应达到什么结果，在实验过程中的注意事项，实验方法对结果的影响也可以以实验目的的形式列出． 三、算法描述（实验原理与基础理论） 数值实验本身就是为了加深对基础理论及方法的理解而设置的，所以要求将实验涉及到的理论基础，算法原理详尽列出． 四、实验内容 实验内容主要包括实验的实施方案、步骤、实验数据准备、实验的算法以及可能用到的仪器设备． 五、程序流程图 画出程序实现过程的流程图，以便更好的对程序执行的过程有清楚的认识，在程序调试过程中更容易发现问题． 六、实验结果 实验结果应包括实验的原始数据、中间结果及实验的最终结果，复杂的结果可以用表格
形式列出，较为简单的结果可以与实验结果分析合并出现． 七、实验结果分析 实验结果分析包括对对算法的理解与分析、改进与建议． 数值实验报告范例 为了更好地做好数值实验并写出规范的数值实验报告，下面给出一简单范例供读者参考． 数值实验报告 小组名称: 小组成员(班号): 按贡献排序情况: 指导教师评语: 小组所得分数: 一、实验名称 误差传播与算法稳定性． 二、实验目的 1．理解数值计算稳定性的概念． 2．了解数值计算方法的必要性． 3．体会数值计算的收敛性与收敛速度． 三、实验内容 计算dx x x I n n ? += 1 10 ，1,2,,10n = ． 四、算法描述 由 dx x x I n n ? += 1 10 ，知 dx x x I n n ?+=--101110，则
功能材料课程设计报告 设计题目：镍网负载TiO2光催化剂制备及其光催化活性研究 姓名：蔡志鸿 学号：200830750101 班级：200级材料化学1班 时间：2011年12月8日 二零一一年十二月
镍网负载TiO 2光催化剂制备及其光催化活性研究 蔡志鸿 黄伟钊 (华南农业大学理学院应用化学系,广东 广州510642) 摘 要： 以钛酸正丁酯为原料,采用溶胶-凝胶法在泡沫镍网上制备了TiO 2薄膜光催化剂. 利用FS,XRD,IR,UV 等手段研究了薄膜的表面及结构特性. 在高压汞灯照射的反应体系中,利用甲基橙降解试验研究了泡沫镍网负载TiO 2薄膜的光催化特性,考察了不同醇水比和负载次数对光催化效率的影响.将TiO 2薄膜的结构特性与其光催化活性进行了关联.结果表明,醇水比为12.5:1, 提拉3次可制得具有多孔结构和结晶完好的锐钛矿型TiO 2薄膜,并具有最佳的光催化活性. 关键词：光催化； 泡沫镍网； 二氧化钛；甲基橙 Study on preparation of TiO 2 photocatalysts loaded on nickel nets and their photocatalytic activity CAI Zhi-hong, HUANG Wei-zhao, HUANG Ming-xin, ZHOU Ying-yi, LU Gui-lin (Department of Applied Chemistry ，College of Sciences, South China Agricultural University, Guangzhou 510642, China) Abstract: With butyl acetate titanate as raw material, TiO 2 films loaded on foam nickel (TiO 2-Ni ) were prepared by sol-gel method. The surface and the structural characteristics were investigated using XRD, IR, FS and UV. The photocatalytic activities of TiO 2-Ni were investigated by the degradation of methyl orange. The effect of preparation factors, such as ratio of alcohol to water and dipping times, was examined on the catalytic properties of TiO 2-Ni. The results show that TiO 2-Ni prepared with ratio of alcohol to water 12.5:1 and dipping 3 times, which had the pore structure and anatase phase TiO 2, had the best photocatalytic activity. Key words: Photocatalytic; Nickel nets; Titanium dioxide; Methyl orange light catalyzing; Characterization 1 前 言 TiO 2作为光催化型环境净化催化剂具有活性高、安全、应用范围广和无污染等优点，是最具有开发前途的绿色环保型催化剂之一[1~3]。TiO 2粉末的固定化 (负载) 一直是实际应用中的技术关键，利用各种载体和开发不同负载制备技术对负载型TiO 2粉末[4 ]和薄膜[5 ]光催化剂的规模化生产和应用十分重要。目前国内外对TiO 2 薄膜光催化剂进行了很多研究，但大都
大数据理论与技术读书报告 -----K最近邻分类算法 指导老师: 陈莉 学生姓名: 李阳帆 学号: 201531467 专业: 计算机技术 日期 :2016年8月31日
摘要 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地提取出有价值的知识模式，以满足人们不同应用的需要。K 近邻算法（KNN）是基于统计的分类方法，是大数据理论与分析的分类算法中比较常用的一种方法。该算法具有直观、无需先验统计知识、无师学习等特点，目前已经成为数据挖掘技术的理论和应用研究方法之一。本文主要研究了K 近邻分类算法，首先简要地介绍了数据挖掘中的各种分类算法，详细地阐述了K 近邻算法的基本原理和应用领域，最后在matlab环境里仿真实现，并对实验结果进行分析，提出了改进的方法。 关键词：K 近邻，聚类算法，权重，复杂度，准确度
1.引言 (1) 2.研究目的与意义 (1) 3.算法思想 (2) 4.算法实现 (2) 4.1 参数设置 (2) 4.2数据集 (2) 4.3实验步骤 (3) 4.4实验结果与分析 (3) 5.总结与反思 (4) 附件1 (6)
1.引言 随着数据库技术的飞速发展，人工智能领域的一个分支—— 机器学习的研究自 20 世纪 50 年代开始以来也取得了很大进展。用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量数据背后的知识，这两者的结合促成了数据库中的知识发现（Knowledge Discovery in Databases，简记 KDD）的产生，也称作数据挖掘（Data Ming，简记 DM）。 数据挖掘是信息技术自然演化的结果。信息技术的发展大致可以描述为如下的过程：初期的是简单的数据收集和数据库的构造；后来发展到对数据的管理，包括：数据存储、检索以及数据库事务处理；再后来发展到对数据的分析和理解， 这时候出现了数据仓库技术和数据挖掘技术。数据挖掘是涉及数据库和人工智能等学科的一门当前相当活跃的研究领域。 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地抽取出有价值的知识模式，以满足人们不同应用的需要[1]。目前，数据挖掘已经成为一个具有迫切实现需要的很有前途的热点研究课题。 2.研究目的与意义 近邻方法是在一组历史数据记录中寻找一个或者若干个与当前记录最相似的历史纪录的已知特征值来预测当前记录的未知或遗失特征值[14]。近邻方法是数据挖掘分类算法中比较常用的一种方法。K 近邻算法（简称 KNN）是基于统计的分类方法[15]。KNN 分类算法根据待识样本在特征空间中 K 个最近邻样本中的多数样本的类别来进行分类，因此具有直观、无需先验统计知识、无师学习等特点，从而成为非参数分类的一种重要方法。 大多数分类方法是基于向量空间模型的。当前在分类方法中，对任意两个向量： x= ) ,..., , ( 2 1x x x n和) ,..., , (' ' 2 ' 1 'x x x x n 存在 3 种最通用的距离度量：欧氏距离、余弦距 离[16]和内积[17]。有两种常用的分类策略：一种是计算待分类向量到所有训练集中的向量间的距离：如 K 近邻选择K个距离最小的向量然后进行综合，以决定其类别。另一种是用训练集中的向量构成类别向量，仅计算待分类向量到所有类别向量的距离，选择一个距离最小的类别向量决定类别的归属。很明显，距离计算在分类中起关键作用。由于以上 3 种距离度量不涉及向量的特征之间的关系，这使得距离的计算不精确，从而影响分类的效果。
Density-Based Clustering for Real-Time Stream Data 基于密度的实时数据流聚类(D-Stream) 翻译by muyefei E-mail: muyefei@https://www.doczj.com/doc/3415406744.html, 注释：版权归作者所有，文档仅用于交流学习，可以用大纲视图查看文档结构 摘要：现有的聚类算法比如CluStream是基于k-means算法的。这些算法不能够发现任意形状的簇以及不能处理离群点。而且，它需要预先知道k值和用户指定的时间窗口。为了解决上述问题，本文提出了D-Stream算法，它是基于密度的算法。这个算法用一个在线部分将数据映射到一个网格，在离线部分计算网格的密度然后基于密度形成簇。算法采用了密度衰减技术来捕获数据流的动态变化。为了探索衰减因子、数据密度以及簇结构之间的关系，我们的算法能够有效的并且有效率地实时调整簇。而且，我们用理论证明了移除那些属于离群点的稀疏网格是合理的，从而提高了系统的时间和空间效率。该技术能聚类高速的数据流而不损失聚类质量。实验结果表明我们的算法在聚类质量和效率是有独特的优势，并且能够发现任意形状的簇，以及能准确地识别实时数据流的演化行为。 关键词 流数据挖掘基于密度的聚类D-Stream 分散的网格 1 介绍 实时聚类高维数据流是困难的但很重要。因为它在各个领域应用到。比如... 聚类是一项关键的数据挖掘任务。挖掘数据流有几项关键的挑战： （1）单遍扫描 （2）将数据流视为数据一个很长的向量在很多应用中捉襟见肘，用户更加关注簇的演化行为。 近来，出现了许多数据流聚类方法。比如STREAM、CluStream以及扩展（在多数据流，分布式数据流，并行数据流上的扩展）等。 CluStream以及扩展的算法有以下一些缺陷： 1、只能发现球形簇，不能发现任意形状的簇。 2、不能够识别噪声和离群点。 3、基于k-means的算法需要多次扫描数据（其实CluStream利用两阶段方法和微簇解决了该问题）。 基于密度的聚类算法介绍。基于密度的方法可以发现任意形状的簇，可以处理噪声，对原始数据集只需一次扫描。而且，它不需要像k-means算法那样预先设定k值。 文本提出了D-Stream,一种基于密度的数据流聚类框架。它不是简单用基于密度的算法替代k-means的数据流算法。它有两项主要的技术挑战： 首先，我们不大愿意将数据流视为静态数据很长的一个序列，因为我们对数据流演化的时间特征更加感兴趣。为了捕获簇的动态变化，我们提出了一个新颖的方案，它可以将衰减
水文分析计算课程设计报告书 学院：水文水资源 专业：水文与水资源工程 学号： 姓名： 指导老师：梁忠民、李国芳 2015年06月12日 南京
目录 1、设计任务 (1) 2、流域概况 (1) 3、资料情况及计算方案拟定 (1) 4、计算步骤及主要成果 (2) 4．1 设计暴雨X p(t)计算 (2) 4．1．1 区域降雨资料检验 (2) 4．1．2 频率分析与设计雨量计算 (3) 4．2计算各种历时同频率雨量X t,P (9) 4．3 选典型放大推求X P (t) (9) 4．4 产汇流计算 (9) 4．4．1 径流划分及稳渗μ值率定 (12) 4．4．2 地表汇流 (17) 4．5 由设计暴雨X P(t)推求Q P(t) (18) 4．5．1 产流计算 (18) 4．5．2 地面汇流 (18) 4．5．3地下汇流计算 (19) 4．5．4 设计洪水过程线 (20) 5、心得体会 (22)
1、设计任务 推求江西良田站设计洪水过程线,本次要求做P 校,即推求Q 0.01%(t)。 2、流域基本概况 良田是赣江的支流站。良田站以上控制的流域面积仅为44.5km 2，属于小流域，如右图所示。年降水均值在1500～1600mm 之内，变差系数Cv 为0.2，即该地区降雨充沛，年际变化小，地处湿润地区。暴雨集中。暴雨多为气旋雨、台风雨，季节为3～8月，暴雨历时为2～3日。 3、资料情况及计算方案拟定 3.1资料情况 设计站（良田）流量资料缺乏，邻近站雨量资料相对充分，具体如表3-1： 表3-1 良田站及邻近地区的实测暴雨系列、历时洪水、特大暴雨资料 （设计站(良田)流量资料缺乏，邻近站雨量资料相对充分。） 站名 实测暴雨流量系列 特大暴雨、历史洪水 良田 75～78 （4年） Q=216m 3 /s ，N=80（转化成X 1日，移置峡江站） 峡江 53～80 （28年） 吉安 36～80 （45年） 桑庄 57～80 （24年） X 1日=416mm ，N=100～150（74.8.11） 寨头 57～80 （24年） 沙港 特大暴雨 X 1日=396mm ，N=100～150（69.6.30） （移置到寨头站）
《软件工程》课程设计报告 课程设计题目： 电子科技大学中山学院计算机学院班级： 组长： 其他成员： 指导教师： 实验地点： 完成起止日期：1-16
目录 目录 .......................................................................................................................................................... I 一、系统可行性研究报告 (1) 1．引言 (1) 2 现行系统调查 (1) 3 新系统概述 (1) 4 可行性综合评述 (1) 5．方案选择 (2) 6．项目进度计划（Software Project Schedule） (2) 二、需求规格说明书 (3) 1、用例模型（用例图） (3) 2、用例文档描述（10个） (3) 3、用例实现（时序图+类图） (3) 三、设计规格说明书 (4) 系统实现 (5) 四、测试设计 (5) 1、测试范围 (5) 2、测试覆盖设计 (5) 3、测试用例 (6) 五、工作总结 (8) 1、本人在项目实现中的分工 (8) 2、个人遇到的困难与获得的主要成果 (8) 3、课程设计完成结果分析与个人小结 (8) 课程设计评价(教师) (8) 六、附录 (9) 1、软件配置 (9) 2、个人完成的程序模块 (9) 3、文档清单 (9)
一、系统可行性研究报告1．引言 编写目的 说明可行性分析的必要性。 背景 简述项目的来源、现状，要求，目标等。 术语定义 将该可行性分析中的术语、缩写词进行定义。 2 现行系统调查 组织机构与业务范围 2.1.1组织概况 2.1.2 各部门业务范围及职能说明 组织信息处理流程 现行信息处理办法与流程，可用业务流程图表示。 现行系统存在问题 3 新系统概述 目标 新系统功能范围及划分说明 划分子系统，画出系统总体结构图。 4 可行性综合评述 经济可行性 对需要的资金与其他资源进行估计，并分析可能的效益
数据挖掘实验报告（二）关联规则挖掘 姓名：李圣杰 班级：计算机1304 学号：1311610602
一、实验目的 1. 1.掌握关联规则挖掘的Apriori算法； 2.将Apriori算法用具体的编程语言实现。 二、实验设备 PC一台，dev-c++5.11 三、实验内容 根据下列的Apriori算法进行编程：
四、实验步骤 1.编制程序。 2.调试程序。可采用下面的数据库D作为原始数据调试程序，得到的候选1项集、2项集、3项集分别为C1、C2、C3，得到的频繁1项集、2项集、3项集分别为L1、L2、L3。
代码 #include 本科实验报告 课程名称：计算机数值方法 实验项目：方程求根、线性方程组的直接解法、线性方程组的迭代解法、代数插值和最小二乘拟合多项式 实验地点：行勉楼 专业班级：******** 学号：********* 学生：******** 指导教师：誌，冬华 2016年4 月8 日 y = x*x*x + 4 * x*x - 10; return y; } float Calculate(float a,float b) { c = (a + b) / 2; n++; if (GetY(c) == 0 || ((b - a) / 2) < 0.000005) { cout << c <<"为方程的解"<< endl; return 0; } if (GetY(a)*GetY(c) < 0) { return Calculate(a,c); } if (GetY(c)*GetY(b)< 0) { return Calculate(c,b); } } }; int main() { cout << "方程组为：f(x)=x^3+4x^2-10=0" << endl; float a, b; Text text; text.Getab(); a = text.a; b = text.b; text.Calculate(a, b); return 0; } 2.割线法： // 方程求根（割线法）.cpp : 定义控制台应用程序的入口点。// #include "stdafx.h" #include"iostream" 心得体会 使用不同的方法，可以不同程度的求得方程的解，通过二分法计算的程序实现更加了解二分法的特点，二分法过程简单，程序容易实现，但该方法收敛比较慢一般用于求根的初始近似值，不同的方法速度不同。面对一个复杂的问题，要学会简化处理步骤，分步骤一点一点的循序处理，只有这样，才能高效的解决一个复杂问题。 模拟电路课程设计指导书福州大学物理与信息工程学院 目录 一．模拟电子电路设计方法 (3) 1、总体方案的设计与选择 (4) 2．单元单路的设计与选择 (4) 3．元器件的选择与参数计算 (5) 4．总体电路图设计 (10) 5．电子电路的安装与调试 (12) 6．设计报告的撰写 (18) 设计一1W扩音机课程设计 (20) 设计二音响放大器设计 (26) 设计三程控放大器设计 (30) 设计四函数信号发生器电路设计 (31) 一．模拟电子电路设计方法 电子电路设计一般包括拟定性能指标、电路的预设计、实验和修改设计等环节。 衡量设计的标准：工作稳定可靠，能达到所要求的性能指标，并留有适当的余量；电路简单、成本低、功耗低；所采用元器件的品种少、体积小且货源充足；便于生产、测试和修改等。 电子电路设计一般步骤如图1-1所示。 图1-1 电子电路设计一般步骤 由于电子电路种类繁多，千差万别，设计方法和步骤也因情况不同而有所差 异，因而上述设计步骤需要交叉进行，有时甚至会出现多次反复。因此在设计时，应根据实际情况灵活掌握。 1、总体方案的设计与选择 设计电路的第一步就是选择总体方案，所谓选择总体方案是根据设计任务、指标要求和给定的条件，分析所要求设计电路应完成的功能，并将总体功能分解成若干单元，分清主次和相互的关系，形成若干单元功能模块组成的总体方案。该方案可以有多个，需要通过实际的调查研究，查阅有关的资料或集体讨论等方式，着重从方案能否满足要求、结构是否简单、实现是否经济可行等方面，对几个方案进行比较和论证，择优选取。对选用的方案，常用方框图的形式表示出来。 选择方案应注意的几个问题： 应当针对关系到电路全局的问题，开动脑筋，多提些不同的方案，深入分析比较，有些关键部分，还要提出各种具体电路，根据设计要求进行分析比较，从而找出最优方案。 要考虑方案的可行性、性能、可靠性、成本、功耗和体积等实际问题。 选定一个满意的方案并非易事，在分析论证和设计过程中需要不断改进和完善，出现一些反复是在所难免的，但应尽量避免方案上的大反复，以免浪费时间和精力。 2．单元单路的设计与选择 在确定了总体方案，画出详细框图之后，便可进行单元电路设计。任何复杂的电子电路，都是由若干简单功能的单元电路组成的，这些单元电路的性能指标 数据分析与挖掘实验报告 《数据挖掘》实验报告 目录 1.关联规则的基本概念和方法 (1) 1.1数据挖掘 (1) 1.1.1数据挖掘的概念 (1) 1.1.2数据挖掘的方法与技术 (2) 1.2关联规则 (5) 1.2.1关联规则的概念 (5) 1.2.2关联规则的实现——Apriori算法 (7) 2.用Matlab实现关联规则 (12) 2.1Matlab概述 (12) 2.2基于Matlab的Apriori算法 (13) 3.用java实现关联规则 (19) 3.1java界面描述 (19) 3.2java关键代码描述 (23) 4、实验总结 (29) 4.1实验的不足和改进 (29) 4.2实验心得 (30) 1.关联规则的基本概念和方法 1.1数据挖掘 1.1.1数据挖掘的概念 计算机技术和通信技术的迅猛发展将人类社会带入到了信息时代。在最近十几年里，数据库中存储的数据急剧增大。数据挖掘就是信息技术自然进化的结果。数据挖掘可以从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的，人们事先不知道的但又是潜在有用的信息和知识的过程。 许多人将数据挖掘视为另一个流行词汇数据中的知识发现（KDD）的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。知识发现过程如下： ·数据清理（消除噪声和删除不一致的数据）·数据集成（多种数据源可以组合在一起）·数据转换（从数据库中提取和分析任务相关的数据） ·数据变换（从汇总或聚集操作，把数据变换和统一成适合挖掘的形式） ·数据挖掘（基本步骤，使用智能方法提取数 据模式） ·模式评估（根据某种兴趣度度量，识别代表知识的真正有趣的模式） ·知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）。 1.1.2数据挖掘的方法与技术 数据挖掘吸纳了诸如数据库和数据仓库技术、统计学、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集成等许多应用领域的大量技术。数据挖掘主要包括以下方法。神经网络方法：神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题，因此近年来越来越受到人们的关注。典型的神经网络模型主要分3大类：以感知机、bp反向传播模型、函数型网络为代表的，用于分类、预测和模式识别的前馈式神经网络模型；以hopfield 的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型；以art 模型、koholon模型为代表的，用于聚类的自组 一、实验目的 使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。 二、实验环境 实验采用Weka 平台，数据使用Weka安装目录下data文件夹下的默认数据集iris.arff。 Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java 写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 三、数据预处理 Weka平台支持ARFF格式和CSV格式的数据。由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF格式数据集如图1所示 图1 ARFF格式数据集(iris.arff) 对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal length、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。 实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属性的筛选。 实验所需的训练集和测试集均为iris.arff。 四、实验过程及结果 应用iris数据集，分别采用LibSVM、C4.5决策树分类器和朴素贝叶斯分类器进行测试和评价，分别在训练数据上训练出分类模型，找出各个模型最优的参数值，并对三个模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。 1、LibSVM分类 Weka 平台内部没有集成libSVM分类器，要使用该分类器，需要下载libsvm.jar并导入到Weka中。 用“Explorer”打开数据集“iris.arff”，并在Explorer中将功能面板切换到“Classify”。点“Choose”按钮选择“functions(weka.classifiers.functions.LibSVM)”，选择LibSVM分类算法。 在Test Options 面板中选择Cross-Validatioin folds=10，即十折交叉验证。然后点击“start”按钮：太原理工大学数值计算方法实验报告
模电课程设计报告(完整)
数据分析与挖掘实验报告
大数据挖掘weka大数据分类实验报告材料
相关主题
文本预览