典型文献
基于模糊K-means聚类算法的区域数据智能分析方法
文献摘要：
文中对医疗行业的区域化群体数据挖掘方法进行了研究.通过引入模糊数学理论中的隶属度概念,使得K-means算法在分类时不再按照聚类中心来严格划分数据点,提升了数据点分类的稳定性,使算法在迭代的过程中更容易收敛.同时,引入了Hadoop平台下的MapReduce模型对所提算法进行并行化处理,将数据划分为不同的数据切片,使每个切片在不同的计算节点上完成聚类.以河北某地区的实际医保数据为样本进行了算法测试,在聚类精度上,模糊K-means算法相较于传统算法提升了约8.19％.基于文中搭建的分布式存储系统计算集群,当采用8节点进行并行计算时,算法的Speedup与Scaleup分别为3.6和0.58,通过充分利用每个计算节点的计算资源,有效降低了运行时间成本.
文献关键词：
模糊数学;K-means;数据挖掘;医疗数据;分布式计算
中图分类号：
作者姓名：
支建勋
作者机构：
河北北方学院附属第一医院,河北张家口075000
文献出处：
引用格式：
[1]支建勋-.基于模糊K-means聚类算法的区域数据智能分析方法)[J].电子设计工程,2022(10):46-49,54
A类：
Scaleup
B类：
means,聚类算法,数据智能分析,医疗行业,区域化,挖掘方法,模糊数学理论,隶属度,聚类中心,据点,Hadoop,台下,MapReduce,并行化处理,数据划分,计算节点,某地区,医保,算法测试,聚类精度,传统算法,分布式存储系统,并行计算,Speedup,过充,计算资源,运行时间,时间成本,医疗数据,分布式计算
AB值：
0.453015
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
