数据挖掘中的模糊聚类分析

该文提出了一种用于数据挖掘的基于模糊集的聚类分析方法,论述了该方法的聚类过程,并给出了聚类分析的实例和程序模块流程。     

数据挖掘技术--模糊聚类分析在客户关系管理中的应用研究

企业的竞争重点正在经历着从以产品为中心向以客户为中心的转移，客户关系管理作为一种全新的管理、经营理念，越来越引起商家的重视。在数据仓库中进行数据挖掘正逐渐成为CRM中最核心的部分。本文从CRM中数据分析的不确定性，提出采用模糊聚类的分析方法来分析、预测客户行为。     

模糊聚类分析及其在数据挖掘中的应用

分析了常用的数据挖掘方法，在数据挖掘中引入了模糊聚类分析的方法，分析了该方法在数据挖掘中的优势，并以例证说明这一方法的实际应用。     

模糊聚类分析在KDD中的应用研究

应用模糊聚类算法确定关键条件属性集，探索教师教学质量评估数据库中评估等级同评估项目之间的规则知识。     

模糊聚类分析方法在IT市场预测分析中的应用

研究模糊逻辑和聚类分析在IT市场中的预测分析问题。模糊聚类分析是一种应用广泛的模糊数学方法,可广泛应用于各个领域。IT市场各类信息产品的价格行情是瞬息万变的。如何对市场做出及时、准确的判断和决策成为个IT公司重点关心的问题。本文首先阐述了模糊聚类分析的基本思想和一般的步骤,然后采用模糊聚类分析方法对笔记本市场进行有效的分类。结果表明模糊聚类分析法对IT市场预测分析准确、有效,且比其他方法预测的更接近实际的市场行情。     

模糊聚类分析及其在信息检索中的应用

本文集中介绍了如何从文本数据中获取信息。典型的文本查询问题是基于用户的输入来定位相关的文本,而文本的相关性是个模糊的概念。为了对这个模糊的概念以客观的度量,我们通过模糊聚类分析,计算出文本间的相关度。最后用一个实例加以说明,得到了比较客观的结果。     

数据挖掘中的聚类分析方法

聚类分析是多元统计分析的重要方法之一,该方法在许多领域都有广泛的应用。本文首先对聚类的分类做简要的介绍,然后给出了常用的聚类分析方法的基本思想和优缺点,并对常用的聚类方法作比较分析,以便人们根据实际的问题选择合适的聚类方法。     

浅析数据挖掘中的聚类分析

随着信息技术的发展,数据挖掘技术得到了广泛的关注,聚类分析数据挖掘是其中一个重要的研究方向。该文首先对数据挖掘相关技术进行了简要的分析,对数据挖掘中的聚类分析技术进行了介绍,聚类分析的方法主要有层次方法、划分方法、基于密度的、网格的以及模型的方法,聚类分析已经广泛地应用于模式识别,数据分析,图像处理,以及市场研究等,该文的研究对聚类分析的应用具有一定的参考价值。     

模糊蚁群聚类及其在数据挖掘中的应用

提出了一种基于蚁群算法的动态模糊聚类分析方法,并研究其在数据挖掘中的应用。该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态的确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足。从而将蚁群算法与模糊C均值聚类有机的结合,实现了基于改进的目标函数聚类分析,可以寻求到具有全局分布特性的最优聚类。     

数据挖掘中变量聚类方法的应用研究

讨论了变量聚类方法中相同类型变量相似性测度方法,首次提出一种关于混合变量间相似性测度的方法。并将基于变量的聚类分析和模糊聚类结合起来,为解决数据挖掘中基于变量聚类问题提供了有效的分析工具。最后给出一个应用实例。     

数据挖掘过程中的模糊聚类方法

在研究数据挖掘过程中常见的数据聚类方法的基础上，在数据挖掘中引入了模糊聚类分析的方法，分析了该方法在数据挖掘过程中的特性，讨论了其在大型数据库中的应用方法。     

数据挖掘中的模糊聚类实现技术

提出了一种利用模糊集理论进行聚类的技术，详细阐述了在关系数据库中利用此技术实现聚类的方法和过程，并给出了程序流程和程序实现；经过聚类后的数据对象，既可以从中获取分类知识和信息，也可以为下一步的关联规则挖掘提供低噪声的数据源。     

不确定性数据聚类挖掘研究综述

根据目前数据挖掘研究的现状,分析不确定数据的聚类挖掘算法。针对不确定数据聚类挖掘存在的问题,提出改进传统的数据挖掘算法来适合不确定数据的聚类挖掘或找出新的聚类挖掘算法,来解决不确定数据聚类挖掘问题的新思路。     

模糊聚类挖掘方法在电子商务中的应用研究

系统聚类法中常用的是最小距离法、最大距离法、重心距离法、类平均距离法等，这些方法都是定义一种类与类之间的距离来进行聚类的，但在有些情况下其聚类结果不唯一，文章利用模糊关系短阵，给出了一种新的基于模糊聚类的方法，并将这些技术应用到具体电子商务平台的数据挖掘工作中，得到了可行性验证，从而为此技术在电子商务领域的广泛应用起到了较好的示范作用。     

数据挖掘中的聚类算法综述

聚类是数据挖掘中用来发现数据分布和隐含模式的一项重要技术。全面总结了数据挖掘中聚类算法的研究现状,分析比较了它们的性能差异和各自存在的优点及问题,并结合多媒体领域的应用需求指出了其今后的发展趋势。     

数据挖掘中的聚类算法

数据挖掘已经被广泛的应用于商业银行,电信行业,心理学,生物医学等各行各业中。由于数据挖掘涉及的学科领域和方法很多,所以就有多种分类方法。这里介绍了聚类方法的要求以及常见的聚类算法。现在还有很多改进的聚类算法,对H-K算法做了主要介绍。     

数据挖掘中的聚类算法

数据挖掘已经被广泛的应用于商业银行，电信行业，心理学，生物医学等各行各业中。由于数据挖掘涉及的学科领域和方法很多，所以就有多种分类方法。这里介绍了聚类方法的要求以及常见的聚类算法。现在还有很多改进的聚类算法，对H—K算法做了主要介绍。     

基于模糊聚类的文本挖掘算法

针对传统FCM算法对孤立点比较敏感,须预先指定聚类数目的缺陷,提出一种新的模糊聚类算法NSFCM,将其应用干文本挖掘中。NSFCM对数据对象的隶属度增加一个权值,以减少孤立点对聚类中心的影响。采用平均信息熵确定聚类数,通过密度函数获得初始聚类中心。仿真结果证明,该算法聚类的精度和执行效率均高于FCM算法,效果较好。     

聚类挖掘中隐私保护的几何数据转换方法

目前,尽管数据挖掘在许多领域都发挥了巨大的作用,但同时它也带来了一系列越来越值得重视的问题,如隐私的保护、信息的安全等。讨论了数据挖掘中的隐私保护问题,提出了一种几何数据转换方法,并将其用于聚类数据挖掘中的隐私保护。实验结果表明该方法可以较好地实现数据挖掘应用中的隐私保护。