Loading [MathJax]/jax/output/CommonHTML/fonts/TeX/AMS-Regular.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【集合论】关系闭包 ( 自反闭包 | 对称闭包 | 传递闭包 )

【集合论】关系闭包 ( 自反闭包 | 对称闭包 | 传递闭包 )

作者头像
韩曙亮
发布于 2023-03-28 10:04:45
发布于 2023-03-28 10:04:45
4.3K0
举报

文章目录

一、关系闭包


包含给定的元素 , 并且 具有指定性质 的 最小的 集合 , 称为关系的闭包 ; 这个指定的性质就是关系

R

自反闭包 r ( R ) : 包含

R

关系 , 向

R

关系中 , 添加有序对 , 变成 自反 的 最小的二元关系

对称闭包 s ( R ) : 包含

R

关系 , 向

R

关系中 , 添加有序对 , 变成 对称 的 最小的二元关系

传递闭包 t ( R ) : 包含

R

关系 , 向

R

关系中 , 添加有序对 , 变成传递 的 最小的二元关系

定义中有三个重要要素 :

  • 包含给定元素
  • 具有指定性质
  • 最小的二元关系

二、自反闭包


自反闭包 r ( R ) : 包含

R

关系 , 向

R

关系中 , 添加有序对 , 变成 自反 的 最小的二元关系

Rr(R)
r(R)

是自反的

关系

的关系图

:

的自反闭包

关系图 :

的基础上 , 添加有些有序对 , 使

变成 自反 的 最小的二元关系 , 自反的条件是所有的顶点都有环 , 这里为四个顶点都添加环 ;

三、对称闭包


自反闭包 r ( R ) : 包含

关系 , 向

关系中 , 添加有序对 , 变成 对称 的 最小的二元关系

是对称的

关系

的关系图

:

的对称闭包

关系图 :

的基础上 , 添加有些有序对 , 使

变成 对称 的 最小的二元关系 , 对称的条件是 任意两个顶点之间有

条有向边 , 有

条边的不管 , 有

条边的在添加一条反向有向边 ;

四、传递闭包


自反闭包 r ( R ) : 包含

关系 , 向

关系中 , 添加有序对 , 变成 传递 的 最小的二元关系

是对称的

关系

的关系图

:

的对称闭包

关系图 :

的基础上 , 添加有些有序对 , 使

变成 传递 的 最小的二元关系 , 传递的条件是 ① 前提

成立 ,

存在 , 或 ② 前提不成立 , 前提不成立的情况下不管默认就是传递的 , 如果前提成立 , 则必修添加对应的第三条边 ;

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2020-10-08,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
【数据挖掘】任务5:K-means/DBSCAN聚类:双层正方形
eps:ϵ-邻域的距离阈值,和样本距离超过ϵ的样本点不在ϵ-邻域内,默认值是0.5。
zstar
2022/09/01
2180
【数据挖掘】任务5:K-means/DBSCAN聚类:双层正方形
(数据科学学习手札15)DBSCAN密度聚类法原理简介&Python与R的实现
DBSCAN算法是一种很典型的密度聚类法,它与K-means等只能对凸样本集进行聚类的算法不同,它也可以处理非凸集。 关于DBSCAN算法的原理,笔者觉得下面这篇写的甚是清楚练达,推荐大家阅读: https://www.cnblogs.com/pinard/p/6208966.html DBSCAN的主要优点有:     1) 可以对任意形状的稠密数据集进行聚类,相对的,K-Means之类的聚类算法一般只适用于凸数据集。     2) 可以在聚类的同时发现异常点,对数据集中的异常点不敏感。     3) 聚
Feffery
2018/04/17
1.6K0
(数据科学学习手札15)DBSCAN密度聚类法原理简介&Python与R的实现
sklearn常用聚类算法模型【KMeans、DBSCAN】实践
聚类算法是很重要的一类算法模型,在实际的应用实践中是会经常使用到的,最近的工作类型中大多偏向于有监督学习类型模型的使用,而对于无监督算法模型的使用则使用得相对少了很多,今天就简单的回归一下聚类算法模型,主要是KMeans模型和DBSACN模型的使用。
全栈程序员站长
2022/09/10
8820
sklearn常用聚类算法模型【KMeans、DBSCAN】实践
【机器学习】---密度聚类从初识到应用
5.密度可达:在DBSCAN中,p是从q(核心对象)密度可达的,如果存在对象链,使得
LhWorld哥陪你聊算法
2018/09/13
6150
【机器学习】---密度聚类从初识到应用
DBSCAN聚类︱scikit-learn中一种基于密度的聚类方式
一、DBSCAN聚类概述 基于密度的方法的特点是不依赖于距离,而是依赖于密度,从而克服基于距离的算法只能发现“球形”聚簇的缺点。 DBSCAN的核心思想是从某个核心点出发,不断向密度可达的区域扩张
悟乙己
2018/01/02
4.4K0
DBSCAN聚类︱scikit-learn中一种基于密度的聚类方式
DBSCAN密度聚类详解
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,基于密度的带有噪声的空间聚类应用)是一种基于密度的聚类算法。
皮大大
2024/06/14
4370
从零开始学Python【31】—DBSCAN聚类(实战部分)
在《从零开始学Python【30】--DBSCAN聚类(理论部分)》一文中我们侧重介绍了有关密度聚类的理论知识,涉及的内容包含密度聚类中的一些重要概念(如核心对象、直接密度可达、密度相连等)和密度聚类的具体步骤。在本次文章中,我们将通过一个小的数据案例,讲解如何基于Python实现密度聚类的实战。
1480
2019/08/05
3.9K0
从零开始学Python【31】—DBSCAN聚类(实战部分)
用scikit-learn学习DBSCAN聚类
    在DBSCAN密度聚类算法中,我们对DBSCAN聚类算法的原理做了总结,本文就对如何用scikit-learn来学习DBSCAN聚类做一个总结,重点讲述参数的意义和需要调参的参数。
刘建平Pinard
2018/08/14
2.4K0
用scikit-learn学习DBSCAN聚类
8个常见的无监督聚类方法介绍和比较
本文约4500字,建议阅读9分钟本文将全面概述Scikit-Learn库中用于的聚类技术以及各种评估方法。 无监督聚类方法的评价指标必须依赖于数据和聚类结果的内在属性,例如聚类的紧凑性和分离性,与外部知识的一致性,以及同一算法不同运行结果的稳定性。 本文将分为2个部分,1、常见算法比较 2、聚类技术的各种评估方法 本文作为第一部分将介绍和比较各种聚类算法: K-Means Affinity Propagation Agglomerative Clustering Mean Shift Clusterin
数据派THU
2023/04/03
5080
8个常见的无监督聚类方法介绍和比较
知识图谱入门:使用Python创建知识图,分析并训练嵌入模型
接下来,创建一个NetworkX图(G)来表示KG。DataFrame (df)中的每一行都对应于KG中的三元组(头、关系、尾)。add_edge函数在头部和尾部实体之间添加边,关系作为标签。
deephub
2023/08/30
1.1K0
知识图谱入门:使用Python创建知识图,分析并训练嵌入模型
【无监督学习】DBSCAN聚类算法原理介绍,以及代码实现
主要包括:K-means、DBSCAN、Density Peaks聚类(局部密度聚类)、层次聚类、谱聚类。
IT派
2018/07/30
10.5K0
【无监督学习】DBSCAN聚类算法原理介绍,以及代码实现
【sklearn | 6】无监督学习与聚类分析
在前几篇教程中,我们探讨了 sklearn 的基础、高级功能,异常检测与降维,时间序列分析与自然语言处理,模型部署与优化,以及集成学习与模型解释。本篇教程将专注于无监督学习和聚类分析,这在探索性数据分析和数据挖掘中非常重要。
颜淡慕潇
2024/07/24
2650
【sklearn | 6】无监督学习与聚类分析
DBSCAN聚类算法Python实现
DBSCAN是一种基于密度的聚类算法,这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本,他们之间的紧密相连的,也就是说,在该类别任意样本周围不远处一定有同类别的样本存在。
里克贝斯
2021/05/21
2.9K1
DBSCAN聚类算法Python实现
无监督学习与数据聚类:从理论到实践
在人工智能和数据科学领域,无监督学习是一种强大的工具,专注于从未标注的数据中挖掘潜在的模式和结构。数据聚类作为无监督学习的重要应用之一,广泛用于市场细分、图像分割、生物信息学等多个领域。本文将深入探讨无监督学习与数据聚类的基本概念、常用方法及其实现。
Echo_Wish
2024/12/28
1530
无监督学习与数据聚类:从理论到实践
通透!十大聚类算法全总结!!
这些聚类算法各有优缺点,适用于不同类型的数据和不同的应用场景。选择合适的聚类算法通常取决于具体的需求、数据的特性和计算资源。
Python编程爱好者
2023/11/28
6.3K0
通透!十大聚类算法全总结!!
快速入门Python机器学习(29)
DBSCAN(Density-based spatial clustering of application with nose):基于密度的有噪音应用空间聚类。
顾翔
2022/09/23
2690
快速入门Python机器学习(29)
聚类算法之DBSCAN聚类
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 是一种基于密度的聚类算法,基于密度的聚类寻找被低密度区域分离的高密度区域。常用于异常值或者离群点检测。
Ewdager
2020/07/14
3.7K0
聚类算法之DBSCAN聚类
聚类之dbscan算法
简要的说明: dbscan为一个密度聚类算法,无需指定聚类个数。 python的简单实例: 1 # coding:utf-8 2 from sklearn.cluster import DBSCAN 3 import numpy as np 4 import matplotlib.pyplot as plt 5 from sklearn import metrics 6 from sklearn.datasets import make_blobs 7 from sklearn.preproc
Gxjun
2018/03/27
1.2K0
聚类之dbscan算法
21 句话入门机器学习!
机器学习有四种用途:分类、聚类、回归和降维。更严格一点,机器学习的目的只有三个:分类、聚类和回归,降维不过是达成目标的手段之一。
数据STUDIO
2023/09/04
3050
21 句话入门机器学习!
聚类算法比较
算法:聚类算法比较是包括MiniBatchKMeans、AP聚类、MeanShift、谱聚类、Ward聚类、层次聚类、DBSCAN聚类、Birch聚类和高斯混合模型聚类算法的参数被优化到最佳聚类的结果比较。
裴来凡
2022/05/29
6340
聚类算法比较
相关推荐
【数据挖掘】任务5:K-means/DBSCAN聚类:双层正方形
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档