DMKD3.0--增加社区聚类算法

Posted 学术点滴

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了DMKD3.0--增加社区聚类算法相关的知识,希望对你有一定的参考价值。

【学术点滴】团队开发一个经典算法软件供大家使用;软件名字为Data Mining and Knowledge Discovery(简称:DMKD);中文名字:数据挖掘与知识发现系统。


功能一:主成分分析与可视化

        主成分分析 (PCA, principal component analysis)是一种数学降维方法, 利用正交变换 (orthogonal transformation)把一系列可能线性相关的变量转换为一组线性不相关的新变量,  也称为主成分,从而利用新变量在更小的维度下展示数据的特征。

        主成分是原有变量的线性组合,其数目不多于原始变量。组合之后,相当于我们获得了一批新的观测数据,这些数据的含义不同于原有数据,但包含了之前数据的大部分特征,并且有着较低的维度,便于进一步的分析。


主成分分析(二维):距离相近的可以划分为一个类别

案例一:

案例二:

DMKD3.0--增加社区聚类算法

由于遮挡,可局部放大:

DMKD3.0--增加社区聚类算法

主成分分析(三维):

DMKD3.0--增加社区聚类算法


主成分分析需要我们自己根据距离进行划分聚类

那么,能否利用聚类算法进行自动聚类呢?


答案是肯定的!


DMKD3.0--增加社区聚类算法

DMKD2.0我们加入了K均值聚类与可视化功能

功能二:K均值聚类与可视化

        K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了,每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。


DMKD2.0软件功能案例如下:

不带标签二维聚类结果如下:(同一个颜色一个类别)

DMKD3.0--增加社区聚类算法

带标签二维聚类结果如下:(同一个颜色一个类别)

DMKD3.0--增加社区聚类算法

局部放大(同一个颜色一个类别)

DMKD3.0--增加社区聚类算法


三维聚类结果如下:(同一个颜色一个类别)

DMKD3.0--增加社区聚类算法

N维聚类结果是个表,如下:(同一个数字一个类别)

DMKD3.0--增加社区聚类算法


DMKD3.0--增加社区聚类算法

DMKD3.0我们加入了网络聚类与可视化

功能三:网络聚类与可视化


DMKD3.0--增加社区聚类算法

DMKD3.0--增加社区聚类算法

DMKD3.0--增加社区聚类算法



如利用本团队开发的软件需在论文或报告中给予引用说明!


软件引用格式

例子

 

本文利用DMKD2.0[1]软件进行主成分分析/K均值聚类......

 

参考文献

[1] 学术点滴,文献计量. DMKD---数据挖掘与知识发现系统[EB/OL].(2020-12-21)[2020-12-29].https://mp.weixin.qq.com/s/z6rVe3-XdyefB0MpjLydXw

其中【2020-12-29】为你引用的时间 

其他本平台开发的软件引用格式于此类似

详情加qq:2088904822咨询


以上是关于DMKD3.0--增加社区聚类算法的主要内容,如果未能解决你的问题,请参考以下文章

基于密度的图聚类算法 SCAN

技术 | 10个必知的Python聚类算法

基于K-means聚类算法进行客户人群分析

聚类算法的评估

基于K-means聚类算法进行客户人群分析

Java应用Ⅻ使用Java实现机器学习算法:聚类分类预测