《数据挖掘》课程大作业.docxVIP

《数据挖掘》课程大作业

网络教育学院

《数据挖掘》课程大作业题目：

姓名：

报名编号：学习中心：层次：专升本

专业：计算机科学与技术

第一大题：讲述自己在完成大作业过程中遇到的困难，解决问题的思路，以及相关感想，或者对这个项目的认识，或者对Python与数据挖掘的认识等等，300-500字。

数据挖掘是一门重要的专业课。数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。数据挖掘就是从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。作为一类深层次的数据分析方法，它利用了数据库、人工智能和数理统计等多方面的技术。

要将庞大的数据转换成为有用的信息，必须先有效率地收集信息。随着科技的进步，功能完善的数据库系统就成了最好的收集数据的工具。数据仓库，简单地说，就是搜集来自其它系统的有用数据，存放在一整合的储存区内。所以其实就是一个经过处理整合，且容量特别大的关系型数据库，用以储存决策支持系统所需的数据，供决策支持或数据分析使用。

数据挖掘的研究领域非常广泛，主要包括数据库系统、基于知识的系统、人工智能、机器学习、知识获取、统计学、空间数据库和数据可视化等领域。主要是可以做以下几件事：分类、估计、预测、关联分析、聚类分析、描述和可视化、复杂数据类型挖掘。

第二大题：完成下面一项大作业题目。

2019秋《数据挖掘》课程大作业

题目一：Knn算法原理以及python实现要求：文档用使用word撰写即可。

主要内容必须包括：

（1）算法介绍。

（2）算法流程。

（3）python实现算法以及预测。

（4）整个word文件名为[姓名奥鹏卡号学习中心]（如

戴卫东101410013979浙江台州奥鹏学习中心[1]VIP）答：一、knn算法介绍

1.介绍

邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。

2.核心概括

主要的思想是计算待分类样本与训练样本之间的差异性，并将差异按照由小

到大排序，选出前面K个差异最小的类别，并统计在K个中类别出现次数最多的类别为最相似的类，最终将待分类样本分到最相似的训练样本的类中。与投票(Vote)的机制类似。

二、knn算法流程

1.准备数据，对数据进行预处理

2.选用合适的数据结构存储训练数据和测试元组

3.设定参数，如k

4.维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列

5.遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax

6.进行比较。若L=Lmax，则舍弃该元组，遍历下一个元组。若LLmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。

7.遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别。

8.测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。

三、代码实现

使用python程序模拟KNN算法CreatedonSatJun2218:38:222019@author:zhen

importnumpyasnpimportcollectionsascs

data =

np.array([ [203,1],[126,1],[89,1],[70,1],[196,2],[211,2],[221,2],[311

,3],[271,3]

])

feature=data[:,0]#特征print(feature)

label=data[:,-1]#结果分类print(label)

predictPoint=200#预测数据

print(预测输入特征