基于类平均距离的最邻近分类算法设计

针对最邻近分类算法,提出了一个改进的分类算法。在不需要确定K值,不需要对距离进行排序就可以预测测试对象所属类型的分类。

基于谱系聚类的粗糙集数据挖掘预处理方法

介绍了一种基于统计分析的数据离散化方法——谱系聚类法,以胶合板缺陷检测数据为应用对象进行了基于谱系聚类的数据离散化研究,并与其它离散化方法进行了对比分析,对比结果表明经谱系聚类方法离散化后的数据,再进行粗糙集约简时,会有更多的冗余属性和记录被约掉,从而可以降低模型的复杂程度,加快获取知识的进程,提高分类的准确率。工程实践证明谱系聚类是一种有效的可用于数据预处理的离散化方法,结合粗糙集算法可以获取满意的数据挖掘结果。

引入改进飞蛾扑火的K均值交叉迭代聚类算法

针对现有K均值聚类(KMC)算法在选取初始聚类中心时随机性较大、全局搜索能力差、聚类精度低等问题,提出了一种引入改进飞蛾扑火的K均值交叉迭代聚类(IMFO-KMC)算法。利用最大最小距离积法初始化聚类中心,避免了KMC算法对随机初始聚类中心较为敏感的问题;利用样条插值预测的思想改进飞蛾扑火算法,提高了算法的收敛速度及寻优精度;以类内平均距离为适应度函数,引导插值扑火算法优化KMC迭代过程中的聚类中心,提高了聚类精度。将IMFOKMC与KMC、K-means++算法、模糊c均值聚类算法在国际标准数据集Iris、Wine和Seeds上进行了实验对比,结果表明:IMFO-KMC算法在Iris数据集上的性能提升最为明显,相比其他算法准确率提高了0.67%~4.18%,标准化互信息提高了1.5%~4.01%。

基于分类与预测的两段式就业指导系统的分析

本文研究分类与预测技术在学生就业指导中的应用。主要分为入学后的就业指导与求职前的就业指导。利用了决策树模型分析出贡献度最大的分裂属性,对学生进行入学前就业指导。利用基于类平均距离对学生可能就业的单位进行预测,为学生求职时提供有价值的指导信息。