目录 第一章 引言 ......................................................................................................................................................... 8 1.1 什么激发数据挖掘？为什么它是重要的？.............................................................

为了改善单一聚类算法的聚类性能，提出一种基于量子遗传算法的XML文档聚类集成解决方法。该方法先利用kNN分类划分k个差异性的聚类成员；其次根据聚类成员的关系获得的内联相似度矩阵，并通过多次分割、向下、向上、双向收缩的QR算法分解特征值对应的特征向量来实现矩阵的维数缩减；然后在映射空间上，用初始聚类中心构造量子遗传算法的初始种群，用量子遗传算法来寻找样本集的最优聚类组合，把每一个样本判别到最优的聚类类别中，从而完成聚类集成。为了验证本文提出的算法，实验结果显示，该聚类集成算法比单聚类算法具有更好

使用JAVA编写的，分词、TFIDF相似度计算，K临近法聚类

机器学习分类 按机器学习本身分类，而可分为： 监督学习 非监督学习 半监督学习 加强学习 监督学习 给机器的训练数据拥有“标记”或者说是“答案”。 主要是回归和分类问题，本课程以下算法为监督学习： K临近 线性回归和多项式回归 逻辑回归 SVM 决策数和随机森林 非监督学习 对没有标记的数据进行分类–聚类分析 可以对数据进行降维处理和异常监测（作用）。 半监督学习 一部分数据有标记，一部分数据没有标记 通常都会先使用无监督学习手段对数据做处理，之后使用监督学习的手段做模型的处理和预测。 增强学习