# 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。
##
毕业设计：基于噪声数据集处理的K-means聚类算法实现.zip
42 浏览量
2024-03-19
20:47:00
上传
评论
收藏 5.66MB ZIP 举报
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资源评论
