一種改進的COBWEB算法研究.pdf

1、數(shù)據(jù)挖掘中的聚類分析一直是近年來應(yīng)用極為廣泛的技術(shù)之一。所謂聚類，是物理或抽象對象的集合分成由類似的對象組成的多個類的過程。而隨著信息技術(shù)的發(fā)展，數(shù)據(jù)的形式也逐漸多樣化，很多數(shù)據(jù)集中都包含有不確定的屬性，這類數(shù)據(jù)被稱為不確定數(shù)據(jù)。在生物、醫(yī)學(xué)等領(lǐng)域，這種不確定數(shù)據(jù)更為常見。傳統(tǒng)的模型聚類算法并不能提供一個有效的方法來處理此類數(shù)據(jù)。本文針對經(jīng)典的COBWEB算法，給出了一種基于不確定數(shù)據(jù)的聚類算法來解決原算法不能處理不確定因素的問題。

2、r>　　 本文首先分析研究了數(shù)據(jù)挖掘的相關(guān)理論與技術(shù)、數(shù)據(jù)挖掘中聚類分析一般步驟和經(jīng)典算法，特別針對基于模型的聚類算法進行認(rèn)真研究和分析。其次，在認(rèn)真研究了原COBWEB算法的基礎(chǔ)上，就其在應(yīng)用過程中存在不能處理不確定數(shù)據(jù)的問題，給出了一種改進算法。改進算法以不確定數(shù)據(jù)作為輸入源，采用經(jīng)典的信息熵、歐氏距離和相似性度量理論改進了原算法的分類效用函數(shù)，新函數(shù)對于實例有更全面的解釋和表達，同時也模型化了新分類樹。最后通過仿真實驗來對比兩種