序 　　由于项目需要，需要对数据进行处理，故而又要滚回来看看paper,做点小功课，这篇文章只是简单的总结一下基础的Ｋmeans算法思想以及实现； 正文： 1.基础Kmeans算法. 　　Kmeans算法的属于基础的聚类算法，它的核心思想是：　从初始的数据点集合，不断纳入新的点 ...

实验六、数据挖掘之关联分析 一、实验目的 1. 理解Apriori算法的基本原理 2. 理解FP增长算法的基本原理 3. 学会用python实现Apriori算法 4. 学会用python实现FP增长算法 二、实验工具 1. Anaconda 2. sklearn 3. ...

实验三、数据挖掘之决策树 一、实验目的 1. 熟悉掌握决策树的原理， 2. 熟练掌握决策树的生成方法与过程 二、实验工具 1. Anaconda 2. sklearn 3. pydotplus 三、实验简介 决策树是一个非参数的监督式学习方法，主要用于分类和回归。算法的目标 ...

实验四、数据挖掘之KNN,Naive Bayes 一、实验目的 1. 掌握KNN的原理 2. 掌握Naive Bayes的原理 3. 学会利用KNN与Navie Bayes解决分类问题 二、实验工具 1. Anaconda 2. sklearn 三、实验简介 1. KNN ...

系列文章：数据挖掘算法之决策树算法 k-means算法可以说是数据挖掘中十大经典算法之一了，属于无监督的学习。该算法由此衍生出了很多类k-means算法，比如k中心点等等，在数据挖掘领域，很多地方都会用到该算法，他能够把相似的一类很好的聚在一起。一类指的是 ...

概念： 聚类分析（cluster analysis ）：是一组将研究对象分为相对同质的群组（clusters）的统计分析技术。聚类分析也叫分类分析，或者数值分类。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或者相似度将其划分成若干个组，划分的原则是组内距离最小化而组间（外部）距离最大化 ...

目录 基本信息 工作原理 算法优缺点 算法实现 基本信息 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。 工作原理 ...