序分类数据集

1. Knowledge

UCI Machine Learning Repository: User Knowledge Modeling Data Set

用户知识水平,被分为四个等级

UNS (The knowledge level of user) (target value)
Very Low: 50
Low:129
Middle: 122
High 130

2. Car

UCI Machine Learning Repository: Car Evaluation Data Set

汽车评估数据库是从一个简单的分层决策模型中派生出来的。该模型根据六个输入属性来评估汽车:购买、主要、车门、人员、行李箱、安全。 

unacc,acc,vgood,good

3.eucalyptus

OpenML

桉树种植对水土保护的效用评价。

 4. Automobile

 对汽车安全性的评估。并划分成6个安全等级。

UCI Machine Learning Repository: Automobile Data Set

标签:{-2, -1, 0, 1, 2, 3} 

值+3表示汽车有风险,值-2表示它可能相当安全。 

5. Obesity 

Estimation of obesity levels based on eating habits and physical condition Data Set 

UCI Machine Learning Repository: Estimation of obesity levels based on eating habits and physical condition Data Set

 肥胖的评估。划分为7个肥胖等级。

6. Balance-scale

UCI Machine Learning Repository: Balance Scale Data Set

生成该数据集是为了对心理实验结果进行建模。每个示例都被分类为具有向右、向左或平衡的平衡刻度。属性是左权重、左距离、右权重和右距离。查找类的正确方法是(左距离*左权重)和(右距离*右权重)中的较大者。如果它们相等,则是平衡的。 

标签:{L,B,R} 

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
聚类分析是一种用于评估肥胖水平的常用方法。它是一种无监督学习算法,通过将样本数据分组成具有相似特征的群组来研究数据的内部结构。 在进行肥胖水平的聚类分析时,我们可以使用一些特征来评估个体的肥胖程度,例如身高、体重、体脂肪比例等。首先,我们需要准备包含这些特征的数据集。然后,我们可以使用聚类算法(如K-means算法)将数据集中的个体分成不同的群组,每个群组代表一个不同的肥胖水平。 聚类算法通过计算个体之间的相似性来实现分组。使用欧氏距离或其他相似度度量方法,算法会将相似特征的个体分组在一起。然后,我们可以根据群组中的平均特征值估计肥胖水平。例如,如果某个群组中的个体身高较高、体重较大、体脂肪比例较高,那么可以认为该群组代表一个较高的肥胖水平。 聚类分析不仅可以评估整体肥胖水平,还可以帮助我们确定不同的肥胖级别。根据分析结果,我们可以将个体分为不同的群组,例如正常体重、超重和肥胖。通过将聚类分析与其他统计方法结合,可以更准确地估计肥胖水平,并提供更多的数据洞察,以了解肥胖的不同特点和变化趋势。 总之,聚类分析是一种有效的方法,可以通过评估个体的相似特征将其分组,从而估计肥胖水平。通过将样本数据分为不同的群组,并根据每个群组的特征值估计肥胖水平,我们可以获得有关肥胖情况的更多洞察,并为制定相应的干预措施提供数据支持。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DeniuHe

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值