基于鸢尾花数据集的聚类实践.pptxVIP

基于VBA鸢尾花数据集的聚类实践(1)

-目录国内外研究现状/数据集介绍

1国内外研究现状/数据集介绍

国内外研究现状/数据集介绍1.国内外研究现状研究发现一：基于欧式距离的算法优化，是可以使得数据表现更佳。该作者认为基于欧式距离相似度计算基础上，利用现有的一些算法，从聚类值K大小的确定和初始聚类中心的选取这两方面进行相应的优化。最后进行数据测试实验证明了使用K-means++算法优化时，相比于优化前送代次数的不稳点性，其迭代次数会相对较小且更趋近于平稳。这说明优化后更具有价值，减少了K-means算法的迭代次数此外不仅中国学者在欧式距离上做优化，还有外国学者也做了相应的研究该研究为欧几里得k-means问题设计了新的差分隐私算法，包括集中模型和差分隐私的局部模型

国内外研究现状/数据集介绍在这两个模型中，算法实现了比之前最先进的算法更高的误差保证在局部模型中，该研究在算法大大减少了交与的数量尽管这个问题在差分隐私的背景下已经被广泛研究，但所有的现有的构造只实现了超常的近似系数提出了首个针对该问题的具有恒定乘法误差的时间有效的私有算法此外，还展示了如何修改算法，使其在两种模型中都能计算出k-means的私有连环网聚类的私密性研究发现二：提出了一种优化初始聚类中心选择的K-means算法该算法考虑数据集的分布情况，将样本点分为孤立点、低密度点和核心点，之后剔除孤立点与低密度点，