搜索资源列表
KMeans
- K-均值聚类算法，属于无监督机器学习算法，发现给定数据集的k个簇的算法。 首先，随机确定k个初始点作为质心，然后将数据集中的每个点分配到一个簇中，为每个点找距其最近的质心， 将其分配给该质心对应的簇，更新每一个簇的质心，直到质心不在变化。 K-均值聚类算法一个优点是k是用户自定义的参数，用户并不知道是否好，与此同时，K-均值算法收敛但是聚类效果差， 由于算法收敛到了局部最小值，而非全局最小值。 K-均值聚类算法的一个变形是二分K-均值聚类算法，该算法首先将所有点作为一个簇，然
dbscan
- 数据挖掘算法 dbscan 基于密度的聚类算法 它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类-Data mining algorithms dbscan density-based clustering algorithm will cluster is defined as the density of points connected to the largest collection of regional divisi
K-means
- 聚类算法 K-means 数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则 该代码针对图像的分类-Some distance K-means clustering algorithm to the data points as a prototype optimization objective function, using the function for extreme methods to adjust the rules to get the cod
CollectAnaly
- 5层的MATLAB聚类分析的算法，输入需要进行分析的数据，点击运行即可得出聚类结果-MATLAB cluster analysis of 5 layer algorithm, input the need for analysis of the data, click Run to get the clustering results
Improved-Fuzzy-Clustering
- 模糊聚类的改进--先用减法聚类得到初始点，而后用模糊聚类得到聚类中心，能够提高聚类的速度和精度-Improved Fuzzy Clustering- first get the initial point subtraction clustering, and then get the cluster center with fuzzy clustering, clustering can improve the speed and accuracy
fcm-brain
- 利用matlab软件编写模糊聚类算法，将脑叶图片不同像素点分离-Software written using matlab fuzzy clustering algorithm, the lobe separation of different pixel images
DBScan
- 这是一种改进的基于密度的聚类算法，其侧重点在于，点与线的分离-This is an improved clustering algorithm based on density, its focus is on the separation point and the line
clustering
- 基于快速搜索数据密度峰值的聚类算法是一种基于聚类中心具有较近邻点有更高密度且其与更高密度点间有着较大的相对距离的一类算法。-Clustering by fast search and find of density peaks is based on the idea that cluster centers are characterized by a higher density than their neighbors and by a relatively large distance
K_CenterPoint_PAM
- k中心点算法，也就是PAM算法。是数据挖掘中聚类分析的一种手段，用途广泛。-k center algorithm, i.e. PAM algorithm. Data mining is a means of cluster analysis, and versatile.
kmeans_clustering
- 完成函数function label =kmeans_clustering(data, num)，其中输入变量data为N行m列，每一行为一个数据点，num为聚类数目；输出变量label为N行1列，表示对应的数据点属于哪一类。-Complete function function label = kmeans_clustering (data, num), wherein the input variable data to N rows by m columns, each act a dat
k-medoids
- 聚类算法中的k-medoids算法，和 k-means 肯定是非常相似的。事实也确实如此，k-medoids 可以算是 k-means 的一个变种。k-medoids 和 k-means 不一样的地方在于中心点的选取，在 k-medoids 算法中，我们将从当前 cluster 中选取这样一个点——它到其他所有（当前 cluster 中的）点的距离之和最小——作为中心点。-Clustering algorithm k-medoids algorithm, and k-means is certa
K-mean
- 聚类算法中的k-means算法，和k-medoids 肯定是非常相似的。k-medoids 和 k-means 不一样的地方在于中心点的选取，在 k-means 中，我们将中心点取为当前 cluster 中所有数据点的平均值。-Clustering algorithm k-means algorithm, and k-medoids certainly very similar. k-medoids and k-means not the same place that the center o
Kmeans
- K均值聚类分析的matlab算法程序，用于对一系列的数据点进行聚类分析。-K-means clustering algorithm MATLAB program.
smmc
- 处理多流形聚类问题，从相似性矩阵的角度出发，充分利用流形采样点所内含的自然的局部几何结构信息来辅助构造更合适的相似性矩阵并进而发现正确的流形聚类。-Handle multiple manifolds clustering problem, the perspective of the similarity matrix starting, make full use of local natural manifold geometry information contained samplin
Cluster_K-means
- k中心算法的基本过程是:首先为每个簇随意选择一个代表对象，剩余的对象根据其与每个代表对象的距离（此处距离不一定是欧氏距离，也可能是曼哈顿距离）分配给最近的代表对象所代表的簇；然后反复用非代表对象来代替代表对象，以优化聚类质量。聚类质量用一个代价函数来表示。当一个中心点被某个非中心点替代时，除了未被替换的中心点外，其余各点被重新分配。-The basic process k center algorithm is: First free to choose a delegate object fo
Cluster_DBSCAN
- DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。 该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发
cPP-isodata
- ISODATA聚类算法，显示聚类中心及每个类别的样本点-ISODATA clustering algorithm, cluster center display sample point and each category
my-k-means
- 这是一个k-means聚类算法，将一个四维量（比如有明确物理意义的花瓣长宽花萼长宽)按照几个中心点分成几类-This is a k-means clustering algorithm, a four-dimensional volume (such as a clear physical meaning petals calyx length and width aspect) is divided into several categories according to several ce
two-K-means
- K-means聚类算法，该程序是两个中心点的聚类方法，比较实用-K means clustering algorithm, the program is two center clustering method, practical
kmeans
- K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。-K-means clustering algorithm is hard, is a typical prototype-based clustering methods on behalf of the objective function, it is a method of data points to a certain d