数据挖掘，计算机网络、操作系统刷题笔记53

本文链接：https://blog.csdn.net/weixin_46838716/article/details/129157292

数据挖掘，计算机网络、操作系统刷题笔记53

2022找工作是学历、能力和运气的超强结合体，遇到寒冬，大厂不招人，可能很多算法学生都得去找开发，测开
测开的话，你就得学数据库，sql，oracle，尤其sql要学，当然，像很多金融企业、安全机构啥的，他们必须要用oracle数据库
这oracle比sql安全，强大多了，所以你需要学习，最重要的，你要是考网络警察公务员，这玩意你不会就别去报名了，耽误时间！
与此同时，既然要考网警之数据分析应用岗，那必然要考数据挖掘基础知识，今天开始咱们就对数据挖掘方面的东西好生讲讲

文章目录

数据挖掘，计算机网络、操作系统刷题笔记53
@[TOC](文章目录)

数据挖掘分析应用：DBSCAN聚类算法
基于层次的聚类算法
图分裂聚类算法
以太网交换机中的端口/MAC 地址映射表（）
使用 ping 命令 ping 另一台主机，就算收到正确的应答，也不能说明（）
对于 ICMP 协议的功能，说法正确的是（）
当个人计算机以拨号方式接入Internet时，必须使用的设备是（）。
如果系统只有用户态线程，则线程对操作系统是不可见的，操作系统只能调度进程；
A的运行效率应该也是和C选项差不多的意思，使用虚拟内存，需要额外的进行地址映射等操作，程序的运行效率降低
以下哪些进程状态转换是正确的
是未开启分页机制的CPU访问存储器内信息时所用的地址。
现代操作系统的基本特征是（）。
总结

数据挖掘分析应用：DBSCAN聚类算法

切割的聚类，假设是中心存在的

这个基于密度的聚类，区域内的密度高，才行

E领域，你这讲画个图啊？？？
在这里插入图片描述

这也太笼统了，但是模型都有的，这都是现成的代码

代码玩
聚类半天，很骚啊

e领域半径太大不可

调整小的e领域，如果类别过多，颜色就没法搞
尺度可以考虑放小，让blobs数据集变回小间距数据


    blobs = make_blobs(n_samples=n_samples, random_state=8, center_box=(-1,1), cluster_std=0.1)  # 避免位置变化,范围

然后咱们利用基于密度的聚类



import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_circles, make_blobs, make_moons
from sklearn.cluster import KMeans, DBSCAN

def kmeans():
    n_samples = 1000  # 生成样本的个数
    circles = make_circles(n_samples=n_samples, factor=0.5, noise=0.05)  # factor俩圆之间的间距
    moons = make_moons(n_samples=n_samples, noise=0.05)
    blobs = make_blobs(n_samples=n_samples, random_state=8, center_box=(-1, 1), cluster_std=0.1)  # 避免位置变化,范围
    random_data = np.random.rand(n_samples, 2), None  # 标注不使用

    # print(circles)   # 样本点和标注，标注不需要
    colors = "bgrcmyk"
    data = [circles, moons, blobs, random_data]  # 四个数据集
    # 模型——随意添加
    models = [("None", None), ("Kmeans", KMeans(n_clusters=3)),
              ("DBSCAN", DBSCAN(min_samples=3, eps=0.2)) ]
    # n分2类

    f = plt.figure()  # 给不同模型下，不同数据集的聚类情况画图
    for index, clt in enumerate(models):
        clt_name, clt_entity = clt  # 前面是名字，后面是模型的实体
        for i, dataset in enumerate(data):
            X, Y = dataset  # 生成好的数据集，后面标注不用
            if not clt_entity:
                clt_res = [0 for item in range(len(X))]  # 数据中第一部分的维度
            else:
                # 有实体——拿着模型聚类去
                clt_entity.fit(X)  # 拟合
                clt_res = clt_entity.labels_.astype(np.int)  # 聚类之后，有自己的标签哦，拿出去展示，不同色

            # 然后拿着结果作图去
            f.add_subplot(len(models), len(data), index*len(data)+i+1)  # 不同模型，多个数据
            [plt.scatter(X[p, 0], X[p, 1], edgecolors=colors[clt_res[p]]) for p in range(len(X))]
            # 每个数据都画出来
    plt.show()

if __name__ == '__main__':
    kmeans()

在这里插入图片描述

把半径再调整为0.1
在这里插入图片描述

这次OK了
美滋滋

基于层次的聚类算法

相近的互联
在这里插入图片描述

那簇与簇之间的距离

在这里插入图片描述

代码撸起来

在这里插入图片描述
complete是最大距离

层次聚类不适合基于密度的聚类

离散的群落可能也gg



import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_circles, make_blobs, make_moons
from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering

def kmeans():
    n_samples = 1000  # 生成样本的个数
    circles = make_circles(n_samples=n_samples, factor=0.5, noise=0.05)  # factor俩圆之间的间距
    moons = make_moons(n_samples=n_samples, noise=0.05)
    blobs = make_blobs(n_samples=n_samples, random_state=8, center_box=(-1, 1), cluster_std=0.1)  # 避免位置变化,范围
    random_data = np.random.rand(n_samples, 2), None  # 标注不使用

    # print(circles)   # 样本点和标注，标注不需要
    colors = "bgrcmyk"
    data = [circles, moons, blobs, random_data]  # 四个数据集
    # 模型——随意添加
    models = [("None", None), ("Kmeans", KMeans(n_clusters=3)),
              ("DBSCAN", DBSCAN(min_samples=3, eps=0.1)) ,
              ("CengCi", AgglomerativeClustering(n_clusters=3, linkage="ward")) ]
    # n分2类

    f = plt.figure()  # 给不同模型下，不同数据集的聚类情况画图
    for index, clt in enumerate(models):
        clt_name, clt_entity = clt  # 前面是名字，后面是模型的实体
        for i, dataset in enumerate(data):
            X, Y = dataset  # 生成好的数据集，后面标注不用
            if not clt_entity:
                clt_res = [0 for item in range(len(X))]  # 数据中第一部分的维度
            else:
                # 有实体——拿着模型聚类去
                clt_entity.fit(X)  # 拟合
                clt_res = clt_entity.labels_.astype(np.int)  # 聚类之后，有自己的标签哦，拿出去展示，不同色

            # 然后拿着结果作图去
            f.add_subplot(len(models), len(data), index*len(data)+i+1)  # 不同模型，多个数据
            [plt.scatter(X[p, 0], X[p, 1], edgecolors=colors[clt_res[p]]) for p in range(len(X))]
            # 每个数据都画出来
    plt.show()

if __name__ == '__main__':
    kmeans()