基于WEKA平台的Web事务聚类算法的研究
Study to web transactions clustering algorithm on WEKA
Web上的数据规模大,动态性强,而通常发现的知识或规则很可能是不精确的、不完备的,为了克服以上困难,将粗糙集概念引入到Web挖掘中,进行Web事务聚类.介绍了将粗糙近似算法嵌入到WEKA平台的过程,充分利用了开源WEKA中的类和可视化功能,扩充了WEKA系统的聚类算法,并对嵌入的算法进行了分析,测试.粗糙近似算法方法能够实现从Web访问日志中聚类Web事务,并且该算法对分类属性的数据具有很高的准确率.
MENG Xiao-ming
CHEN Hui-ping
河海大学,计算机信息工程学院,江苏,常州,213022
年，卷(期)
机标分类号
本文读者也读过
互动百科相关词
加载中，请稍候
．客服电话
&&8:00-11:30,13:00-17:00(工作日)大家都知道哪些开源的聚类算法工具？最好是C/C++实现的
各位知乎好友，大家都知道哪些开源的聚类算法工具？最好是用C/C++实现的。我知道Mahout，是用Java实现的，主要支持KMeans、Caopy、Fuzzy K-Means、Streaming Kmeans、Spectral Clustering，还有Weka，也是Java实现的，其中包含的也有常见的聚类算法。日本的cluster 3.0用的人不怎么多，不太活跃。
gensim,python
google的word2vec，c写的。
已有帐号？
无法登录？
社交帐号登录weka如何进行聚类分析？ - 图形/图像当前位置:& &&&weka如何进行聚类分析？weka如何进行聚类分析？&&网友分享于：&&浏览：94次weka怎么进行聚类分析？？？已经对所有的实例人工进行了分类2000个实例数值数据，手动分成了18类使用Weka软件给我一行数据我怎么预测它是属于18个类中的哪个类？请使用Weka操作的过程给我讲一下。------解决方案--------------------
你分类后的聚类应该有表示方法吧:聚类中心,半径什么的新的数据进去,计算到所有已知聚类的距离(block距离,欧式距离...随便什么定义的距离都行)最小的就加进去
12345678910
12345678910
12345678910 上一篇：下一篇：文章评论相关解决方案 12345678910 Copyright & &&版权所有k-means++ 选择高质量的聚类种子
# k-means聚类算法以效率高、易于实现等特点，得到了非常广泛的应用。& 通常情况下，k-means算法都是使用随机的方法初始化种子进行聚类。& 聚类种子对聚类的效果影响非常大，好的聚类种子不仅可以提高聚类& 的效果，而且还会提升聚类过程的效率。# k-means++算法提供了一种很好的种子初始化方式假设：a：将数据聚成K个类；b：x表示数据集中的任一数据点；c：Di表示第i个数据点与距离其最近的聚类之间的距离平方则算法步骤如下：Step1：在数据集中随机选择一个数据点，作为第一个聚类中心C1；Step2：以概率 Di/sum(Di)选择第i个数据点作为下一个聚类中心；Step3：重复Step2，直到已经找到K个聚类中心{C1,C2,...,CK}Step4：返回{C1,C2,...,CK}，作为k-means算法的初始聚类中心# 种子初始化部分的MATLAB实现如下所示：(编辑init_seeds.m文件，粘贴如下代码即可)function centroids = init_seeds(data, K)% Initialize clustering seeds by k-means++ clustering method% Input:% & - & data: & Nxdim matrix% & & & & & & & N denotes the number of samples% & & & & & & & dim denotes the dimension of sample% & - & K: & & &number of clusters to be created% Output:% & - & centroids: &Kxdim matrix% & & & & & & & & &&% Algorithm Info:% & & & k-means++: The Advantages of Careful Seeding% & & & by David Arthur and Sergei Vassilvitskii[N, dim] = size(data);centroids = zeros(K, dim);Di_vec = zeros(N, 1);% select 1st centroid at randomrnd_series = randperm(N);first_idx = rnd_series(1);centroids(1,:) = data(first_idx, :);% a: calculate the distance between point i and its nearest centroid&% b: select point i as the next centroid with probability (Di^2)/(Sum(Di^2))for i = 1:(K-1)& & for j = 1:N& & & & Di_vec(j) = calc_Di(data(j,:), centroids(1:i, :));& & end& & Di_vec = Di_vec / sum(Di_vec(j));& & [maxdist, maxidx] = max(Di_vec);& & centroids(i+1, :) = data(maxidx, :);end%--------------------------subfunction------------------------------------%function Di = calc_Di(sample, subcentroids)% calculate the distance betweem sample and its nearest centroid[subK, dim] = size(subcentroids);dist_vec = zeros(subK, 1);for i = 1: subK& & dist_vec(i) = norm(sample - subcentroids(i,:));end[minval, minidx] = min(dist_vec);Di = minval *
请各位遵纪守法并注意语言文明基于weka的各种聚类算法java调用_壮志凌云
基于weka的各种聚类算法java调用
日&-&simplekmeans,em,farthestfirst,hierarchical算法的java调用。... 基于weka的各种聚类算法java调用
q12-04-11上传 simplekmeans,em,fart...&&普通
日&-&但是各方面的例子举得都有,对整个weka的使用有了更进一步的认识,而且博主alex...希望能够在这里跟大家分享一下学习weka的乐趣与经验... weka学习二(聚...&&普通
c++/java程序调用weka聚类算法的方法
分类: nosql
http://pingpeace./452/
阅读(1295) | 评论(0) |...&&普通
日&-&6、 一次扫面数据即可完成聚类;
原理:dbscan是基于密度的,这里基于密度是表示...版权所有:《河内塔博客》→《用java调用weka来实现dbscan算法》; 除...&&普通
日&-&weka是很好用的机器学习库,这里就不详细介绍了。言归正传,要使用程序方式使用weka,步骤如下:一、在eclipse里新建一个java project: ...&&普通
日&-&在这里将使用weka自带的k-means以及em算法对同一份数据进行聚类。 目前使用的是自带的数据集。我也不太清楚这样聚类的效果如何 sigh...
weka versi...&&普通
weka(http://www.cs.waikato.ac.nz/~ml/weka/)是一个功能强大的数据挖掘开源工具包,但目前网上很难找到如果在程序里面调用weka中算法的例子。特别是如果程序是...&&普通
日&-&[导读]前段时间做人名消歧的时候使用了里面的聚类算法,不过由于weka用gui操作,处理起来不方便于程序处理,特别是生成的聚类结果还要手工进行保存,当要...&&普通
日&-&weka是一套使用java开发的数据挖掘工具集合,提供gui/cli界面和java api使用方式。...最近在的项目中遇到了...&&普通
出自近似词猜&正规性权威性5地理位置网址标题|网址|摘要F0内容略分类信息&|&猜&非正规提权略略略精确匹配1内容略分类信息&|&猜&非正规提权略略略精确匹配2内容略分类信息&|&猜&非正规提权略略略部分匹配3内容略分类信息&|&猜&非正规提权略略略部分匹配4内容略分类信息&|&猜&非正规提权略略略部分匹配5内容略分类信息&|&猜&非正规提权略略略部分匹配6内容略分类信息&|&猜&非正规提权略略略部分匹配8内容略分类信息&|&猜&非正规提权略略略部分匹配9内容略分类信息&|&猜&非正规提权略略略部分匹配10
12时间限制猜&实时动态5相关检索词泛时效性8F1略略略略略略略略1略略略略略略略略2略略略略略略略略3略略略略略略略略4略略略略略略略略5略略略略略略略略6略略略略略略略略8略略略略略略略略9略略略略略略略略10
url2345摘要前标题后标题F2略略略略略正文描述略1略略略略略正文略2略略略略略正文略3略略略略略正文略4略略略略略正文略5略略略略略元描述略6略略略略略元描述略8略略略略略元描述略9略略略略略正文略10
结果23原创猜&网址形式6相关词猜&相似度F3略略略略主页次优先&|&子页内容充实略略精确匹配1略略略略主页次优先&|&子页内容充实略略精确匹配2略略略略子页优先级较低略略D3略略略略主页次优先&|&子页内容充实略略D4略略略略主页次优先&|&子页内容充实略略D5略略略略主页次优先&|&子页内容充实略略D6略略略略子页优先级较低略略D8略略略略主页次优先&|&子页内容充实略略D9略略略略主页次优先&|&子页内容充实略略D10}