基于kmeans聚类和随机森林模型对古代玻璃样品分类方法

本发明涉及数据挖掘领域。

背景技术：

1、古代玻璃极易受埋藏环境的影响而风化。在风化过程中，内部元素与环境元素进行大量交换，导致其成分比例发生变化，从而影响对其类别的正确判断。

2、随机森林是一种比较新的机器学习模型(非线性基于树的模型)集成学习方法。通过反复二分数据进行分类或回归，计算量大大降低。把分类树组合成随机森林，即在变量的使用和数据的使用上进行随机化，生成很多分类树，再汇总分类树结果。随机森林在运算量没有显著提高前提下提高了预测精度，随机森林对多元共线性不敏感，结果对缺失数据和非平衡数据比较稳健，可以很好地预测多达几千个解释变量的作用，被誉为当前最好算法之一。

3、本发明将随机森林模型改进并应用在古代玻璃分类上，通过已有的玻璃各化学成分含量，结合k-means聚类分析，训练出精确度更高的模型。

技术实现思路

1、本发明提供了一种基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，以提高研究分析时分类古代玻璃效率。

2、再根据本公开的实施例中，所述的基于kmeans聚类和随机森林模型对古代玻璃样品分类方法包括，定性分析样本各化学成分含量均值，定量分析随机森林特征重要性构成其分类规律。先以各化学成分的归一化作为特征，随机选取一部分数据位训练集进行随机森林训练，再嵌套k-means聚类分析模型，进行二次聚类

3、对于预测风化前化学成分的含量，首先进行卡方检验并绘制了交叉图，从数值和概况方面对表面风化的因素进行分析，得到玻璃类型、纹饰和颜色与风化均相关，并进行了详细的阐释。在预测模型方面，我们建立了变化率模型，并结合bp神经网络模型进行修正，很好的预测了风化前的化学成分含量。

4、对于重要指标进行k-means聚类，高钾玻璃主要分为ⅰ类玻璃的亚分类应用随机森林模型应用随机森林模型，通过训练和测试，模型的预测正确率达到100％。在亚类划分方面，我们忽略了一些化学成分非常少的指标，(sio2)和ⅱ类(cao)，铅钡玻璃主要分为ⅰ类(cao)、ⅱ类(sio2)和ⅲ类(cuo)，对于合理性，我们分别从数值和古代玻璃应用两方面进行阐释，对于敏感性，我们对每一个亚类的主要成分进行了10％的扰动，得出模型敏感性良好。

5、应用模型进行数据分类测试，针对模型鲁棒性不好的原因应用随机森林模型进行修正，构建了k-means+随机森林模型，该模型在继承k-means良好敏感性的基础之上，又增强了模型的鲁棒性，对表单三中的数据进行分类，其中3个高钾玻璃，5个铅钡玻璃，并结合问题二进行了亚分类。

6、比较不同类别玻璃文物化学成分关联关系，我们对数据进行了灰色关联分析，并绘制了热力图，发现每个类别中某些化学成分之间有很紧密的联系，例如在铅钡无风化类别中，sio2和mgo、cuo、na2o之间的灰度关联系数达到了0.8以上，同时，每种类别之间又有一些明显的差异，并进行了具体分析，此外，通过本题的分析，也为问题一中bp神经网络的应用提供了理论方面的支撑。

7、基于上述，本公开实例可以提高古代玻璃分类的准确性和效率。

技术特征：

1.基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，其特征在于，所述分类方法包括：

2.根据权利要求1所述的基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，其特征在于，所述特征值比较步骤包括：统计全数据各成分含量均值，画柱状图做对比。

3.根据权利要求1所述的基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，其特征在于，所述随机森林模型建立步骤包括：对各化学成分进行归一化，主成分分析，用随机森林模型进行训练得出预测模型。

4.根据权利要求1所述的基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，其特征在于，所述亚分类步骤包括：对各化学成分进行归一化，主成分分析，做k-means聚类分析，确定聚类k值，得到聚类轮廓系数，探索最优k值，即为所分类数。

5.根据权利要求1所述的基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，其特征在于，所述亚分类合理性分析步骤包括：k-means聚类时欧氏距离越大，差异越明显，分类越合理；考虑古代玻璃分类文献，对照发现分类确实合理。

技术总结本发明提供了一种基于kmeans聚类和随机森林模型对古代玻璃样品分类方法，属于数据挖掘领域，所述分类方法包括特征数据比较步骤，随机森林模型建立过程，亚分类步骤，亚分类合理性分析步骤，亚分类敏感性分析步骤。技术研发人员：王睿,韩治国受保护的技术使用者：西北工业大学技术研发日：技术公布日：2024/9/29