2 limowen limowen 于 2014.02.26 22:52 提问

数据挖掘聚类后外围点的边界如何画出来?

已知大量的地理坐标点,聚类后得到了一个簇,想要把得到的簇的边界画出来,用java 如何实现?可以用数据挖掘工具直接实现吗?

Csdn user default icon
上传中...
上传图片
插入图片
准确详细的回答,更有利于被提问者采纳,从而获得C币。复制、灌水、广告等回答会被删除,是时候展现真正的技术了!
其他相关推荐
k均值聚类算法
算法描述输入:簇的数目k和包含n个对象的数据库。 输出:k个簇,使平方误差准则最小。 算法步骤: 1.为每个聚类确定一个初始聚类中心,这样就有K 个初始聚类中心。 2.将样本集中的样本按照最小距离原则分配到最邻近聚类 3.使用每个聚类中的样本均值作为新的聚类中心。 4.重复步骤2.3直到聚类中心不再变化。 5.结束,得到K个聚类 伪代码创建k个点作为起始质心(经常随机选择) 当
数据挖掘之异常点检测
异常点检测方法 一、基本概念     异常对象被称作离群点。异常检测也称偏差检测和例外挖掘。     常见的异常成因:数据来源于不同的类(异常对象来自于一个与大多数数据对象源(类)不同的源(类)的思想),自然变异,以及数据测量或收集误差。     异常检测的方法: (1)基于模型的技术:首先建立一个数据模型,异常是那些同模型不能完美拟合的对象;如果模型是簇
数据挖掘笔记(3)——聚类、离群点分析
聚类 基本概念 聚类:       将对象分成相似的类 特征:       不考虑数据的类标号,而是通过聚类产生新类标号 评价:         最大化类内相似性(similarity),最小化类间相似性。相似性需要定义,作为聚类的标准 数据挖掘的要求         可解释性           发现任意形状的聚类         处理不同类型属性的能力      
数据挖掘常用的方法(分类,回归、聚类、关联规则)
原文出自:http://www.vsharing.com/k//2013-10/690272.html 在大数据时代,数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程,也是一种决策支持过程。其主要基于人工智能,机器学习,模式学习,统计学等。通过对大数据高度自动化地分析,做出归纳性的推理,从中挖掘
基于.NET实现数据挖掘--聚类分析算法
http://www.cnblogs.com/captain_ccc/articles/4093615.html 本篇文章主要采用另外一种分析算法对目标顾客群体的挖掘,同样的利用微软案例数据进行简要总结。 应用场景介绍 通过上一篇中我们采用Microsoft决策树分析算法对已经发生购买行为的订单中的客户属性进行了分析,可以得到几点重要的信息,这里做个总结: 1、
数据挖掘实验(SAS)聚类
一、实验目的 聚类就是一种寻找数据之间一种内在结构的技术。聚类把全体数据实例组织成一些相似组,而这些相似组被称作聚类。处于相同聚类中的数据实例彼此相同,处于不同聚类中的实例彼此不同。聚类技术通常又被称为无监督学习,因为与监督学习不同,在聚类中那些表示数据类别的分类或者分组信息是没有的。本实验要求根据提供的数据集实现聚类分析,将国际长途客户分群,描述各细分群的典型特征,并提出有针对性的促销策略。
数据挖掘(五):聚类
聚类是数据挖掘描述任务的一个重要组成部分。数据挖掘任务包括描述性任务和预测性任务两种。描述性任务包括聚类、关联分析、序列、异常检测等,预测性任务包括回归和分类。 聚类:将数据对象划分为若干类,同一类的对象具有较高的相似度,不同类的对象相似度较低。从这个简单的描述中,可以看出聚类的关键是如何度量对象间的相似性。较为常见的用于度量对象的相似度的方法有距离、密度等。 1 基于距离度量对象相似性的思想
Kmeans方法做点的聚类分析,并且画图表示
Kmeans解决聚类方法,点聚类方法,大家可以适当修改进行应用
数据挖掘中的划分聚类简介(k均值和k中心点)
k均值方法介绍:          从中任意选择k个对象作为簇的中心      repeat         根据均值,将每个对象划分到最相似的簇         更新簇均值,计算每个簇对象的均值     until 不再发生变化   存在的缺点;       1.只有簇有均值定义的时候才能使用       2.不适合发现凸形状的簇,或者大小相差很大的簇,适合发掘圆形簇     
数据挖掘中的异常检测
数据挖掘中异常检测 最近在做聚类,是利用出租车上车下车地点信息聚类商圈和生活区域,在实战过程中,遇到了很多问题 其一:聚类中心点的确定,我们聚类结果要返回一个经纬度信息,或者说这是一个商圈的中心地点的一个显示,最初是想用K-means做个简单的展示版本,不得不感叹K-means的强大,聚类结果还是是不错的,不过聚类中心和附近商圈还是有一定的偏移 其二:异常点比较多。异常点的出现,原因总是很多