搜索资源列表
GDBSCAN
- 空间聚类算法GDBSCAN 对数据挖掘有用
DBRS
- DBRS聚类算法 对学习数据挖掘有用 空间聚类
ArrayExp
- 一个数据挖掘中聚类算法的源码,FPGROUTH算法的一个实现
cluter
- 学习数据挖掘时从老师那得到的聚类算法,用C语言编写的程序,很详细,希望对大家有用
julei
- 数据挖掘中聚类的算法,可以作为学习数学算法的时候用,也可以作为自己开发软件时使用
fenlei
- 数据挖掘中聚类的算法,可以作为学习数学算法的时候用,也可以作为自己开发软件时使用
K_average
- K-Means动态聚类算法源程序 使用K-Means实现数据挖掘中的聚类算法
WebStreamingData
- web流数据聚类挖掘的研究和应用。流数据作为一种特殊的可挖掘的数据类型,特别是基于网络技术迅速发展的今天,其彰显出的重要地位决定了它的挖掘技术需要被认真考虑,而如何在流数据中进行有效的聚类分析,是一个吸引研究者很大注意力的问题。
TechniqueOfClusterAnalysisInDataMining
- 数据挖掘是信息产业界近年来非常热门的研究方向,聚类分析是数据挖掘中的核心技术。本文对数据挖掘领域的聚类分析方法及代表算法进行分析,并从多个方面对这些算法性能进行比较,同时还对聚类分析在数据挖掘中的几个应用进行了阐述。
julei
- 这个程序说明了数据挖掘中聚类算法的简单应用
weka
- :<<数据挖掘--实用机器学习技术及java实现>>一书的配套源程序,结合数据挖掘和机器学习的知识,以java语言实现了具有代表性的各类数据挖掘方法.例如:classifier中的ZeroR.OneR.NaiveBayes.DecisionTable.IBK.C45,还有聚类,数据预处理等-: lt; Lt; Data Mining -- Practical Machine Learning Technology and java achieve gt; Gt; A ma
HCL
- 数据挖掘中的聚合层次聚类算法,有完整的注释-Data Mining syndication hierarchical clustering algorithm, a complete Notes
新建 Microsoft Word 文档 (3)
- 基于划分的聚类分析算法k-means,主要用于数据挖掘领域.-Partition - based cluster analysis algorithm k-means, used mainly for data mining areas.
新建 Microsoft Word 文档 (4)
- 模糊聚类分析算法fuzzy_k_means,主要用于数据挖掘领域.-fuzzy clustering algorithm fuzzy_k_means, mainly for data mining areas.
CURE
- 数据挖掘算法之一,基于代表点的CURE聚类算法,该算法先把每个数据点看成一类,然后合并距离最近的类,直至类个数为所要求的个数为止。-CURE cluster algorithm based on representive point,one of data mining algorithms,classifies each data as a category firstly, then unifies categories with the nearest distance into one
cluster-1.47
- 数据挖掘,聚类算法
birch算法源代码
- 数据挖掘中的birch聚类算法,c语言代码
KMedios.rar
- 数据挖掘中 K中心点算法 测试数据为iris 数据库采用sql server 聚类算法,Data mining algorithms in test data for the K center iris database using sql server clustering algorithm
Data-Mining-PPT
- 这是一个数据挖掘PPT的详细介绍,包括分析预测,聚类分析,挖掘频繁模式、关联和相关等-PPT is a detailed descr iption of data mining, including the analysis and forecasting, cluster analysis, mining frequent patterns, association and correlation
kmeans2.rar
- 数据挖掘k-means算法实现,数据随机生成,维数和聚类数据量自己设置。,Data Mining k-means algorithm, randomly generated data, clustering data dimension and the volume of their own settings.