① 在大數據量時,K-means演算法和層次聚類演算法誰更有優勢為什麼

這個抄問題其實是無解的，數據不同，演算法的分類效果、實際運行時間也是不同。
若單從運算速度而言，k-means比層次更快。
原因是K-means是找中心，然後計算距離；層次是逐個樣本逐層合並，層次的演算法復雜度更高。
更重要的是，在大數量下，K-means演算法和層次聚類演算法的分類效果真的只能用見仁見智來形容了。

② 什麼是聚類分析聚類演算法有哪幾種

聚類分析的演算法可以分為以下幾大類:分裂法、層次法、基於密度的方法、基於網格的方法和基於模型的方法等。

③ 在大數據量時，K-means演算法和層次聚類演算法誰更有優勢

這個問題其實是無解的，數據不同，演算法的分類效果、實際運行時間也是不同。
若單從運算速度而言，k-means比層次更快。
原因是K-means是找中心，然後計算距離；層次是逐個樣本逐層合並，層次的演算法復雜度更高。
更重要的是，在大數量下，K-means演算法和層次聚類演算法的分類效果真的只能用見仁見智來形容了。

④ 聚類分析聚類演算法中包含哪些數據類型

聚類分析聚類演算法中包含哪些數據類型
許多基於內存的聚類演算法採用以下兩種數據結構：
(1)數據矩陣(Data Matrix，或稱對象一變盤結構)：用p個變數來表示n個對象，例如使用年齡、身高、性別、體重等屬性變數來表示對象人，也叫二模矩陣，行與列代表不同實體：

(2)相異度矩陣(Dissimilarity Matrix，又稱為對象一對象結構)：存儲所有成對的n個對象兩兩之間的近似性(鄰近度)，也叫單模矩陣，行和列代表相同的實體。其中d(ij)是對象i和對象j之間的測量差或相異度。d(i，f)是一個非負的數值，d(ij)越大，兩個對象越不同；d (i，j)越接近於0，則兩者之間越相似(相近)。

許多聚類演算法都是以相異度矩陣為基礎的，如果數據是用數據矩陣形式表示，則往往要將其先轉化為相異度矩陣。
相異度d(i,j)的具體計算會因所使用的數據類型不同而不同，常用的數據類型包括：區間標度變數，二元變數，標稱型、序數型和比例標度型變數，混合類型的變數。

⑤ 用於數據挖掘的聚類演算法有哪些，各有何優勢

K均值聚類：最適合處理大數據，適用於大樣本的個案聚類，分類數明確，適用於連續性變數；
系統聚類：適用於個案或變數聚類，對分類數沒有要求，連續性和分類型變數均適用；
兩步聚類：1）分類變數和連續變數均可參與二階聚類；2）可自動確定分類數；3）適用於大數據集；4）用戶可自己定製用於運算的內存容量

⑥ 聚類演算法在數據中心中的應用有哪些

1）如果您說的是開機時這樣的，開機後不要馬上操作，因為電腦開機時後台正在載入程序，這時是很卡的，請稍等會在操作，這是正常的，如果時間太長看下面的方法。

先軟後硬，出現這樣的問題是軟體沖突、驅動不合適、系統問題引起的，首先卸載出事前下載安裝的驅動、軟體、補丁等試試，如果不知道是怎麼引起的或無效，可以還原一下系統，還是不行重新安裝操作系統（如果是硬體問題請檢修一下去，比如：硬碟等）。

2）如果總是這樣，先軟後硬，重新安裝操作系統，不要安裝軟體、補丁、驅動等，看看開機還有問題嗎？如果沒有在逐步的安裝驅動、補丁、軟體，找出不合適的東西就不要安裝了（有問題請你追問我）。

請注意：如果還原系統或重裝後，安裝驅動、補丁、軟體等東西時，一定要將影響你這次出事的東西不要在安裝上去了，否則就白還原或重裝了。

3）硬體方面，如硬碟、內存等是否出現問題，CPU等硬體的溫度是否高，如果是硬體問題引起的，建議檢修一下去。

4）另外就是與您關機前的不當操作有關系吧？比如：玩游戲、看視頻、操作大的東西、使用電腦時間長造成的卡引起的吧？或下載了不合適的東西，故障不會無緣無故的發生吧（如果是這個問題引起的，只要注意自己的電腦不卡機、藍屏、突然關機，開機就不會這樣了）？

如果是4）引起的，只要注意自己的電腦不卡機、藍屏、突然關機，開機就不會這樣了。

5）如果是4）引起的開機卡、平時運行卡看下面的方法。

可能是非法關機或其它原因引起的磁碟受損，請修復一下（每個磁碟都修復一下或只修復C）。

系統自帶的磁碟修復方法：

具體步驟如下：在我的電腦中選中盤符後單擊滑鼠右鍵選屬性，在彈出的驅動器屬性窗口中依次選擇「工具→開始檢查」並選擇「自動修復文件系統錯誤」和「掃描並恢復壞扇區」，然後點擊開始，掃描時間會因磁碟容量及掃描選項的不同而有所差異（按上面的方法做後，會彈出一個框，點是，自動關機後在開機進行修復，Win78選按計劃磁碟檢查按鈕）。

如果故障依舊，請還原一下系統或重裝（還是不行格式化硬碟重新分區重裝）。

⑦ 對比傳統K-Means等聚類演算法，LDA主題模型在文本聚類上有何優缺點

應該擬合吧雖EM沒真擬合說類別增每數據點更高概率配些類別

⑧ 適合進行聚類演算法分析的數據集，除了IRIS，還有哪些謝謝

美國的UCI資料庫

⑨ 本科畢業論文做「數據聚類分析演算法的研究」

這個題目的確是有點超出本科生能力，因為數據聚類演算法很多，都不是很容易實現，更不用說在效果，效率上的分析，而且絕大多數演算法的優缺點早就總結過了，也很難創新，我專業是數據挖掘，我在研究生期間都不做這樣的論文