典型文献
基于改进K-means模糊聚类的区域健康大数据智能分析方法研究
文献摘要：
区域健康数据的特点是其具有海量性和高维性,而使用传统K-means聚类方法无法应对高维度的数据处理,不但容易造成结果误差,且会使算法的执行效率较低、时间开销较大.针对上述问题,文中对传统K-means聚类方法进行了深入改进,在加入模糊项以保证其聚类效果的基础上,使用粗糙集理论对高维数据属性的权重值进行确定,通过对其数据属性数量进行简化,从而保证模型的精确度与执行效率.数值实验结果表明,文中所提算法在处理高维数据时,其准确度相较对比算法提升了约5％,算法的执行时间相较传统算法缩短了约50％,证明了该算法对高维数据进行聚类处理的有效性.
文献关键词：
模糊聚类;K-means算法;区域健康数据;高维数据;数据挖掘
中图分类号：
作者姓名：
陈娇花
作者机构：
上海中医药大学附属第七人民医院,上海200137
文献出处：
引用格式：
[1]陈娇花-.基于改进K-means模糊聚类的区域健康大数据智能分析方法研究)[J].电子设计工程,2022(19):30-34
A类：
区域健康数据
B类：
means,模糊聚类,健康大数据,数据智能分析,高维性,聚类方法,高维度,执行效率,开销,粗糙集理论,高维数据,数据属性,权重值,数值实验,对比算法,执行时间,传统算法
AB值：
0.304958
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。
