关于数的加、减、乘、除等运算的性质通常称为数的代数性质代数所研究的问题主要涉及数的代数性质,这方面的大部分性质是有理数、实数、复数的 全体所共有的。 定义1设P是由一些复数组成的集合,其中包括0与1.如果P中任意两个数的和、差、积、商(除数不为零)仍然是中的数,那么P就称为一个数域显然全体有理数组成的集合、全体实数组成的集合、全体复数组成的集合都是数域这三个数域分别用字母Q、R、C来代表全体整数组成的集合就不是数域如果数的集合P中任意两个数作某一种运算的结果都仍在P中,就说数集 P对这个运算是封闭的因此数域的定义也可以说成,如果一个包含0,1在内的数集P对于加法、减法、乘法与除法(除数不为零)是封闭的,那么P就称为一个数域

针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法

对应的思想与方法贯穿本节的核心基数的概念可数 集的讨论都要用的一一对应的方法证明两个不同的集对等,从而具有相 同的基数,特别地,要证明一个集是可数集,有时需要一定的技巧,因而 具有一定的难度,通过较多的例题和习题,使学生逐步掌握其方法和技巧 映射在数学分析课程中我们对函数已经很熟悉.在数学分析中函数的定义域通常是 R\的子集,值域是实数集或者复数集.若将函数的定义域和值域换成一般的集,就得到映 射的概念