数据挖掘技术在公安犯罪行为分析中的应用研究

用于数据自编码，非线性压缩，降维的一种方法；与PCA不同，pca为线性降维方式(Data auto encoding, nonlinear compression)

kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。(Basic source application)

零件切割问题 回溯算法的实现, 给定一块宽度为W的矩形板,矩形板的高度不受限制,现需要从板上分别切割出n个高度为hi,宽度()

说明：  采用机器学习预测房价.使用波士顿房屋信息数据来训练和测试一个模型，并对模型的性能和预测能力进行评估。(Using Machine Learning to Predict House Prices)

此为利用optics聚类方法剔除风电异常数据后，采用极限学习机验证的代码(optics data mining)

聚类分析31省市的经济情况，以每个聚类簇的平均值来衡量省市经济的发展水平。(Cluster analysis of the economic situation of 31 provinces and municipalities, with the average value of each cluster to measure the level of economic development of provinces and municipalities.)

说明：  实现了无监督AP聚类 其优势在于不用知道聚类个数(The advantage of unsupervised AP clustering is that the number of clusters is not known)

本问题是计算最长有序子序列的一个动态规划算法,效率为31MS()

资源描述利用分类算法实现对文本的数据挖掘，主要包括： 1. 语料库的构建，主要包括利用爬虫收集Web文档等； 2. 语料库的数据预处理，包括文档建模，如去噪，分词，建立数据字典， 使用词袋模型或主题模型表达文档等； 注：使用主题模型，如LDA可以获得实验加分； 3. 选择分类算法（如朴素贝叶斯、SVM等），训练文本分类器，理解所选 的分类算法的建模原理、实现过程和相关参数的含义； 4. 对测试集的文本进行分类 5. 对测试集的分类结果利用正确率和召回率进行分析评价。 

说明：  分类器的性能比较与调优: 使用scikit-learn 包中的tree，贝叶斯，knn，对数据进行模型训练，尽量了解其原理及运用。 使用不同分析三种分类器在实验中的性能比较，分析它们的特点。 本实验采用的数据集为house与segment。(Performance comparison and optimization of classifiers: We use tree, Bayesian and KNN in scikit-learnpackage to train the data model and try to understand its principle and application. The performances of three classifiers are compared and their characteristics are analyzed. The data set used in this experiment is house and segment.)