基于Python的聚类分析及其应用

在研究聚类基本原理及相应算法的基础上,着重分析了层次聚类算法和k-means分割聚类算法,并比较了这两种算法的特点.结合Python语言的特点,编写程序实现了k-means聚类算法在博客数据集上的聚类应用,给出了详细的聚类实验结果分析.     

在Web日志挖掘中应用聚类改进网站结构的研究

介绍了Web日志挖掘的概念,通过聚类技术在Web日志中实现挖掘出访问网站的相似爱好的用户群体、页面之间的内在联系,以此改进网站性能和组织结构,提高用户查找信息的质量和效率.     

数据挖掘中的聚类分析方法研究

随着数据挖掘研究领域的蓬勃发展,作为该领域中一个活跃的研究课题的聚类分析也取得了丰硕的成果.本文中分析了聚类分析的概念和分类,并且列举并分析了聚类分析中的经典算法,希望能为相关的研究提供一定的借鉴.     

电子商务网站中的数据挖掘与分析

对电子商务网站数据来源进行了分析、对数据进行了理解和解读、使用拆分工具进行分析,帮助电子商务网站做出更精细、更科学的管理,使网站的评判和决策更客观,提高了竞争力。     

灰色聚类分析在决策中的可信度的研究

针对灰色聚类分析在决策中的主观因素－－标定聚类权，做了大胆的探索，在聚类分析的基础上引入层次分析法（AHP）、以层次分析法研究较为复杂的待决策系统，并确定各指标因素的组合权重来替代标定聚类 权，不但相对降低了决策的主观性，也开创了定性分析与定量计算相结合的又一新途径。     

典型电力用户用电负荷特性分类技术的研究

由于分布式发电的特性及影响,在电力系统控制当中能否对负荷特性做出准确的预测讲变的十分关键.通过对电力系统负荷特性常用的聚类的方法如K-means、凝聚型层次聚类等深入的研究,针对这几种算法,利用国际IRIS、曲线聚类审定通用指标、实际的特性曲线聚类结果 3个算法进行了验证,从而总结出含有分布式电源的系统电力负荷曲线高兴率聚类算法.     

聚类分析在学生成绩分析中的应用

系统聚类法是目前实际应用中使用比较广泛的一种聚类分析方法.选取了某省属理工高校7个学院08级学生五门课程的成绩,分别按学院和专业进行了系统聚类分析.结果表明聚类分析法对学生评价比较科学合理、符合实际.有利于全面了解各学院学生的学习状况.     

基于聚类的湖北省各地市经济发展水平研究

基于2017年湖北省17个地市的经济发展数据,选取8个经济指标,利用系统聚类及k均值聚类方法对数据进行分析得到各地市三大类经济发展水平。讨论了区域经济发展存在的差异,并给出一定的建议。     

基于相对密度的聚类算法研究

基于相对密度的聚类算法Red的基本思想是,根据给定的半径参数求出每个点的密度,并据其对数据集中的点按照从大到小的顺序进行排序,每次均从未被聚类的点中找出密度最大的点开始聚类。聚类时,先找出一个未被聚类的密度最大的点,找到所有可达该点的点作为一类,再对剩余未被聚类的数据集中找到一个密度最大的点用同样的方法继续聚类,最后输出各个类,将不属于任何类的点作为孤立点。     

基于数据挖掘算法的网格日志分析

为提高网格资源的安全性,将数据挖掘算法应用到对网格日志的分析上,通过对网格日志的分析挖掘,从中发现用户的非法行为,实现对用户的限制性访问控制。用一个例子对这种方法进行了描述。该方法的提出增强了网格的安全性。     

基于Web日志的用户访问模式挖掘

利用相对访问率——支持一偏爱度的概念,设计了网站访问矩阵及时间矩阵,并利用这两个矩阵得到用户浏览偏爱路径．实验表明该算法能够准确地反映用户的浏览兴趣,可应用于个性化推荐服务中．     

基于关联规则的Web日志挖掘算法

分析了经典的基于关联规则的Apriori挖掘算法,对该算法在Web日志挖掘中存在的不足进行了讨论。针对这些不足,对该算法进行了改进,并介绍了算法的具体实现。经实验测试,改进后的算法具有更好的效率。     

基于Web日志挖掘的智能站点体系

Web日志挖掘是通过分析Web服务器的日志文件,以发现用户访问站点的浏览模式,为站点管理员提供各种利于Web站点改进或可以带来经济效益的信息。在分析了Web日志挖掘主要特点之后,提出了一个可行的面向Web日志挖掘的智能站点结构,并给出了一个架构于Apache服务器上的智能站点原型。     

电信网中基于社区挖掘的用户行为预测算法

利用社会网络分析去解决电信网中的用户行为预测问题,把用户行为预测转换为社区挖掘和社区内用户行为预测2个步骤。之后,利用改进的凝聚层次聚类算法实现了电信网中用户的社区挖掘,通过对社区内的邻近度进行排序,设计了社区内用户行为的预测算法。仿真实验结果表明,该算法能够有效的预测出指定社区中的用户行为。     

Web日志挖掘中模糊C均值聚类研究

Web日志挖掘就是通过一定的方法分析Web日志数据,发现用户的访问习惯,帮助管理人员改进Web站点的性能和结构,提高用户获取知识的质量和速度。笔者首先在Web日志挖掘的背景下分析了模糊C均值聚类算法的缺陷,针对其的不足,在粗糙集理论的支持下,介绍属性信息量的概念,并通过计算待聚类对象的属性权值,区分重要性属性和噪音属性对聚类结果的影响,实验证明该方法提高了模糊C均值聚类算法的准确率。     

Web 日志挖掘中模糊C均值聚类研究

Web日志挖掘就是通过一定的方法分析Web日志数据,发现用户的访问习惯,帮助管理人员改进Web站点的性能和结构,提高用户获取知识的质量和速度.笔者首先在Web日志挖掘的背景下分析了模糊C均值聚类算法的缺陷,针对其的不足,在粗糙集理论的支持下,介绍属性信息量的概念,并通过计算待聚类对象的属性权值,区分重要性属性和噪音属性...     

Web数据挖掘探讨

论述了Web上的数据挖掘技术并作了分析和比较,对Web数据挖掘技术的应用也作了分析和展望.     

基于Apriori改进算法的Web日志挖掘支撑工具的实现

Web日志挖掘就是运用数据挖掘的思想来对服务器日志进行分析处理,以发现相似客户群体、相关Web页面和频繁访问路径等,其目的在于从用户访问Web系统的行为中发现用户的访问模式.在对Web日志挖掘的原理和技术进行讨论的基础上,重点探讨了如何将Apriori改进算法应用于对Web日志的挖掘,提出了一种基于该算法的Web日志挖掘实现方法,实验结果表明了算法的有效性.