AP聚类算法
摘要:AP聚类算法1.分类与聚类1.1分类算法简介分类(classification)是找出描述并区分数据类或概念的模型(或函数)，以便能够使用模型预测类标记未知的对象类。在分类算法中输入的数据，或称训练集（TrainingSet），是一条条的数据库记录（Record）组成的。每一条记录包含若干条属性（Attribute），组成一个特征向量。训练集的每条记录还有一个特定的类标签（ClassLabel）与之对应。该类标签是系统的输入，通常是以往的一些经验数据。一个具体样本的形式可为样本向量:(v1,v2,...,vn;c)。在这里vi表示字段值,c表示类别。分类的目的是：分析输入的数据，通过--在训练集中的数据表现出来的特性，为每一个类找到一种准确的描述或者模型。这种描述常常用谓词表示。由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是未知的，我们仍可以由此预测这些新数据所属的类。注意是预测，而不能肯定。我们也可以由此对数据中的每一个类有更好的理解。也就是说：我们获得了对这个类的知识。下面对分类流程作个简要描述：训练：训练集——>特征选取——>训练——>分类器分类：新样本——>特征选取——>分类——>判决常见的分类算法有：决策树、KNN法(K-NearestNeighbor)、SVM法、VSM法、Bayes法、神经网络等。 1.2聚类算法简介聚类(clustering)是指根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的集合叫做簇，并且对每一个这样的簇进行描述的过程。与分类规则不同，进行聚类前并不知道将
温馨提示：当前文档最多只能预览
5 页，若文档总页数超出了
5 页，请下载原文档以浏览全部内容。
本文档由 匿名用户 于 2022-09-20 23:08:45上传分享
