数据挖掘算法以及其实现免费Word文件下载.docx
《数据挖掘算法以及其实现免费Word文件下载.docx》由会员分享，可在线阅读，更多相关《数据挖掘算法以及其实现免费Word文件下载.docx（39页珍藏版）》请在冰点文库上搜索。
voidmain（）
{
doublex,y,A=0.0,B=0.0,C=0.0,D=0.0,delta,a,b;
intn,sno,avgstudy;
cout<
<
"
请拟合输入样本数目"
endl;
cin>
>
n;
for（inti=0;
i<
++i）
{cout<
请输入第"
i+1<
个学生学号"
sno;
请输入学生上自习时间，按照每天小时计算"
x;
请输入学生请输入平均成绩"
y;
A+=x*x;
B+=x;
C+=x*y;
D+=y;
}
delta=A*n-B*B;
a=（（C*n-B*D）/delta）;
b=（（A*D-C*B）/delta）;
a="
a<
b="
b<
if（fabs（delta）<
1e-10）
{
cerr<
Error!
Dividebyzero"
else
（（C*n-B*D）/delta）<
endl
<
（（A*D-C*B）/delta）<
输入您想预测的成绩，先输入平均日自习时间（小时）"
avgstudy;
a*avgstudy+b;
}
3）输出运算结果
输入是将各个同学的上自习的时间按照小时计算
比如（4，85）（5，94），将成绩和上自习时间进行相应的线性回归
，推导出相应的线型方程，以便今后对其他学生上自习以及成绩的估测。
实习二聚类技术及其应用
实习题1编程验证单连接凝聚聚类算法，实验数据可使用第五章表5.2的数据进行。
要求输出层次聚类过程中每一步的聚类结果。
实习题2利用K-均值聚类算法对如下数据进行聚类，其中输入K=3，数据集为
{2，4，10，12，3，20，30，11，25，23，34，22}。
要求输出每个类及其中的元素。
1）算法基本思想的描述
Givenk,thek-meansalgorithmisimplementedinfoursteps:
–Partitionobjectsintoknonemptysubsets
–Computeseedpointsasthecentroidsoftheclustersofthecurrentpartition（thecentroidisthecenter,i.e.,meanpoint,ofthecluster）
–Assigneachobjecttotheclusterwiththenearestseedpoint
–GobacktoStep2,stopwhennomorenewassignment
//***********引入库函数
#include"
iostream.h"
math.h"
stdlib.h"
iomanip.h"
time.h"
fstream.h"
//*************定义常量
constintTRUE=1;
constintFALSE=0;
constintMarkovLengh=10000;
constintMaxInnerLoop=10000;
constintMaxOuterLoop=60;
constdoubleCO=0.1;
constdoubleDeclineRate=0.95;
constlongMAX=100000;
constintAcceptRate=1;
constdoubleForceDecline=0.9;
//************定义全局变量
intDataNum;
//聚类样本数目
intDimension;
//样本维数
intK;
//分类数
double*DataSet;
//指向浮点型的指针
intHALT=0;
intRow=3;
//***************************************************************
//类GETDATA：
设定全局变量，维数，样本数，和类别数等***
//随机生成样本或手工输入样本的类***
classGETDATA{
public:
GETDATA（）;
voidDisplay（）;
voidInitial（）;
voidInput（）;
doubleFRand（double,double）;
doublerand1,rand2;
//随机数的高低值
};
GETDATA:
:
GETDATA（）
inti,j;
Dimension=2;
DataNum=50;
K=4;
DataSet=newdouble[Dimension*DataNum];
for（i=0;
DataNum;
i++）
for（j=0;
j<
Dimension;
j++）
DataSet[i*Dimension+j]=（（（double）rand（）/（double）RAND_MAX）*100）;
}
//*****************显示当前待聚类的样本（维数，个数，类别数等）
voidGETDATA:
Display（）
当前样本集如下:
endl<
{"
["
;
"
setw（8）<
DataSet[i*Dimension+j];
]"
if（（i+1）%Row==0）
}"
以上实数样本集由计算机在---100之间随机产，其中：
样本维数Dimension="
Dimension<
样本数DataNum="
DataNum<
类别数K="
K<
//****************输入待聚类样本，包括维数，个数，类别数等
Input（）
charflag;
doubles=0;
请依次输入:
维数样本数目类别数"
维数Dimension:
样本数目DataNum:
类别数K：
K;
随机生成数据输入R人工输入按B:
delete[]DataSet;
flag;
if（flag=='
R'
||flag=='
r'
）
输入随机数生成范围（最小值和最大值）:
最小值：
rand1;
最大值：
rand2;
DataSet[i*Dimension+j]=FRand（rand1,rand2）;
else
H'
h'
请输入第"
个样本的"
个分量"
非法数据！
//****************初始化聚类样本
Initial（）
charch;
GETDATA:
Display（）;
重新录入样本输入A开始聚类B:
ch;
while（!
（ch=='
A'
||ch=='
a'
）&
&
!
B'
b'
））
if（ch=='
Input（）;
doubleGETDATA:
FRand（doublerand1,doublerand2）
returnrand1+（double）（（（double）rand（）/（double）RAND_MAX）*（rand2-rand1））;
//***********************************************************
//类SSA:
K-均值算法的实现***
//功能：
根据设定的K,DataNum,Dimension等聚类***
classSAA
structDataType
double*data;
intfather;
double*uncle;
};
structClusterType
double*center;
intsonnum;
SAA（）;
voidInitialize（）;
voidKMeans（）;
voidSA（）;
voidDisPlay（）;
voidGetDataset（DataType*p1,double*p2,intdatanum,intdim）;
voidGetValue（double*str1,double*str2,intdim）;
intFindFather（double*p,intk）;
doubleSquareDistance（double*str1,double*str2,intdim）;
intCompare（double*p1,double*p2,intdim）;
voidNewCenterPlus（ClusterType*p1,intt,double*p2,intdim）;
voidNewCenterReduce（ClusterType*p1,intt,double*p2,intdim）;
doubleMaxFunc（）;
voidGenerate（DataType*p1,ClusterType*c1）;
doubleCompare（DataType*p1,ClusterType*c1,DataType*p2,ClusterType*c2）;
voidCopyStatus（DataType*p1,ClusterType*c1,DataType*p2,ClusterType*c2）;
intSecondFather（DataType*p,intt,intk）;
doubleAimFunction（DataType*q,ClusterType*c）;
doubleFRand（double,double）;
voidKMeans1（）;
protected:
doubleTemp;
//doubleCO;
//doubleDeclineRate;
//intMarkovLengh;
//intMaxInnerLoop;
//intMaxOuterLoop;
doubleAimFunc;
DataType*DataMember,*KResult,*CurrentStatus,*NewStatus;
ClusterType*ClusterMember,*NewCluster,*CurrentCluster;
//endofclassSAA
//************建立构造函数，初始化保护成员
SAA:
SAA（）
inti;
//DeclineRate=（double）0.9;
//MarkovLengh=1000;
//MaxInnerLoop=200;
//MaxOuterLoop=10;
//CO=1;
DataMember=newDataType[DataNum];
ClusterMember=newClusterType[K];
DataMember[i].data=newdouble[Dimension];
DataMember[i].uncle=newdouble[K];
ClusterMember[i].center=newdouble[Dimension];
GetDataset（DataMember,DataSet,DataNum,Dimension）;
}//endSAA
//****************初始化参数，及开始搜索状态
voidSAA:
Initialize（）
//K-均值聚类法建立退火聚类的初始状态
//KMeans（）;
//*******************k-均值法进行聚类
//************接口：
数据，数量，维数，类别
//逐点聚类方式
KMeans（）
inti,j,M=1;
intpa,pb,fa;
ClusterType*OldCluster;
//初始化聚类中心
OldCluster=newClusterType[K];
//cout<
中心：
GetValue（ClusterMember[i].center,DataMember[i].data,Dimension）;
ClusterMember[i].sonnum=1;
OldCluster[i].center=newdouble[Dimension];
GetValue（OldCluster[i].center,ClusterMember[i].center,Dimension）;
i++）
ClusterMember[0].center[0]<
ClusterMember[1].center[0]<
son:
ClusterMember[0].sonnum;
DataMember[i].uncle[j]=SquareDistance（DataMember[i].data,ClusterMember[j].center,Dimension）;
->
j+1<
DataMember[i].uncle[j];
//"
类中心"
ClusterMember[j].center[0]<
DataMember[i].uncle[j]<
pa=DataMember[i].father=FindFather（DataMember[i].uncle,K）;
if（i>
=K）
pa<
类样本数：
ClusterMember[pa].sonnum;
ClusterMember[pa].sonnum+=1;
NewCenterPlus（ClusterMember,pa,DataMember[i].data,Dimension）;
pa+1<
类:
ClusterMember[pa].center[0];
GetValue（OldCluster[pa].center,ClusterMember[pa].center,Dimension）;
}
//开始聚类，直到聚类中心不再发生变化。
×
逐个修改法×
HALT）
//一次聚类循环：
.重新归类；
.修改类中心
D"
DataMember[i].data[0]<
ClusterMember[0l].center[0]<
:
DataMember[i].uncle[0]<
fa=DataMember[i].father;
if（fa!
=FindFather（DataMember[i].uncle,K）&
ClusterMember[fa].sonnum>
1）
pa=DataMember[i].father;
ClusterMember[pa].sonnum-=1;
pb=DataMember[i].father=FindFather（DataMember[i].uncle,K）;
ClusterMember[pb].sonnum+=1;
NewCenterReduce（ClusterMember,pa,DataMember[i].data,Dimension）;
NewCenterPlus（ClusterMember,pb,DataMember[i].data,Dimension）;
/*cout<
*********************"
M<
次聚类：
*****************"
//聚一次类输出一次结果
in"
类->
pb+1<
类:
for（t=0;
t<
t++）
第"
t+1<
类中心:
ClusterMember[t].center[0]<
样本个数：
ClusterMember[t].sonnum;
DisPlay（）;
M=M+1;
*/
}//endfor
//判断聚类是否完成，HALT=1,停止聚类
HALT=0;
if（Compare（OldCluster[j].center,ClusterMember[j].center,Dimension））
break;
if（j==K）
HALT=1;
GetValue（OldCluster[j].center,ClusterMember[j].center,Dimension）;
}//endwhile
}//endofKMeans
//批聚类方式
KMeans1（）
GetValue（OldClust
升级会员 