Data Mining some algorithm realize

实验一 数据预处理

实验目的： 1、 掌握数据挖掘前期的数据预处理方法； 2、 通过自行编程实现数据预处理。 实验内容： 1.数据平滑 假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40, 45, 46, 52, 70。使用你所熟悉的程序设计语言进行编程，实现如下功能（要求程序具有通用性）： (a) 使用按箱平均值平滑法对以上数据进行平滑，箱的深度为3。 (b) 使用按箱中值平滑法对以上数据进行平滑，箱的深度为3。 (c) 使用按箱边界值平滑法对以上数据进行平滑，箱的深度为3。 2.离群点筛选 数据同上题，使用你所熟悉的程序设计语言进行编程，找出其中的离群点（要求程序具有通用性）。

实验步骤： 1．编程实现数据平滑（要求对任意数据组均使用）。 2．编程实现离群点筛选（适当设置阈值，找出离群点）。

实验二 关联规则挖掘

实验目的：

1. 掌握关联规则挖掘的Apriori算法；
2. 将Apriori算法用具体的编程语言实现。 实验内容： 根据下列的Apriori算法进行编程：//

实验步骤： 1.编制程序。 2.调试程序。可采用下面的数据库D作为原始数据调试程序，得到的候选1项集、2项集、3项集分别为C1、C2、C3，得到的频繁1项集、2项集、3项集分别为L1、L2、L3。

实验三 聚类分析

实验目的： 1、 掌握k-means聚类方法； 2、 通过自行编程，对三维空间内的点用k-means方法聚类。 实验内容： 1.问题描述： 立体空间三维点的聚类. 说明：数据放在数据文件中(不得放在程序中)，第一行是数据的个数，以后各行是各个点的x,y,z坐标。 2.设计要求 读取文本文件数据，并用K-means方法输出聚类中心 3. 需求分析 k-means 算法接受输入量k；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 k-means算法的工作过程说明如下：首先从n个数据对象任意选择k个对象作为初始聚类中心，而对于所剩下的其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类。然后，再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值），不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数，具体定义如下： (1) 其中E为数据库中所有对象的均方差之和，p为代表对象的空间中的一个点，mi为聚类Ci的均值(p和mi均是多维的)。公式(1)所示的聚类标准，旨在使所获得的k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 实验步骤： Step 1.读取数据组，从N个数据对象任意选择k个对象作为初始聚类中心； Step 2.循环Step 3到Step 4直到每个聚类不再发生变化为止； Step 3.根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分； Step 4.重新计算每个（有变化）聚类的均值（中心对象）。