# Implementation-of-K-means-clustering-Algorithm-Based-on-Noise-Data-Set
## 1、对于UCI 数据集:Mice Protein Expression Data Set进行无噪声处理和进行噪声处理,对这两个数据集,分别进行K-means聚类算法进行实验;
## 2、调用四种聚类性能评价指标:分别是Adjusted Rand index、Mutual Information based scores、Homogeneity, completeness and V-measure、Silhouette Coefficient;
## 3、实验结论:除了轮廓系数(Silhouette Coefficient)在去躁后效果低于去躁前,其余聚类评价指标均有提升,并且在建模时间上也有明显提升,因此,可以知道,噪声数据对聚类结果影响很大。
## 执行:code中四个文件,按顺序依次执行即可,数据集存放在当前文件路径。
##
没有合适的资源?快使用搜索试试~ 我知道了~
毕业设计:基于噪声数据集处理的K-means聚类算法实现.zip
共30个文件
csv:18个
py:8个
xls:1个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 83 浏览量
2023-08-10
20:00:35
上传
评论
收藏 5.66MB ZIP 举报
温馨提示
计算机类毕业设计源码
资源推荐
资源详情
资源评论
收起资源包目录
毕业设计:基于噪声数据集处理的K-means聚类算法实现.zip (30个子文件)
demo
README.md 792B
conclusion
聚类性能评价结果对比.png 100KB
code
3_UCIdata跑k-means且评价指标对比
replaceNaN.csv 957KB
dealedData.csv 953KB
1Sklearn_k-meansModleEvaluate.py 3KB
1.csv 4KB
MaxMinStandard.csv 1.19MB
MaxMinStandard1.csv 967KB
modleEvaluate.py 2KB
0_sklearn调用kmeans示例
0sklearnKmeans_assumptions.py 3KB
1_Python实现k-means
0DataDeal.py 3KB
2sklearn-k-measn_testStandardSet.py 1KB
test1.py 5KB
1k-means_testStandardSet.py 4KB
testSet.csv 1KB
SecondRow.csv 833B
StandardOfZscore.csv 1KB
StandardOfZscore_weka.csv 1KB
StandardOfZscore_weka.csv.arff 1KB
FirstRow.csv 833B
2_UCIdata_protien数据处理
replaceNaN.csv 957KB
testData.xls 1.55MB
replaceNaN_order.csv 954KB
0UCIdataDealWith_meanReplaceN.py 2KB
dataSet.csv 24KB
dealedData.csv 953KB
replaceNaN_test_meanR1.csv 968KB
MaxMinStandard.csv 1.19MB
replaceNaN_test_meanR.csv 971KB
MaxMinStandard1.csv 967KB
共 30 条
- 1
资源评论
学术菜鸟小晨
- 粉丝: 1w+
- 资源: 5004
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功