搜索资源列表
k_means
- 首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。-First, a data object from the n choose k objects as in
NewK-means-clustering-algorithm
- 珍藏版，可实现，新K均值聚类算法，分为如下几个步骤： 一、初始化聚类中心 1、根据具体问题，凭经验从样本集中选出C个比较合适的样本作为初始聚类中心。 2、用前C个样本作为初始聚类中心。 3、将全部样本随机地分成C类，计算每类的样本均值，将样本均值作为初始聚类中心。 二、初始聚类 1、按就近原则将样本归入各聚类中心所代表的类中。 2、取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类中心。然后取下一样本，
kmeansK
- KMEANSK Performs K-means clustering given a list of feature vectors and k The argument k indicates the number of clusters you want the data to be divided into. data_vecs (N*R) is the set of R dimensional feature vectors for N data points. E
all-of-Cluster
- 大多数经典聚类分析算法的matlab实现，包括K均值、模糊聚类（FCM）、SOM、Kohonen、EM、DBSCAN、等！-ON划词翻译ON实时翻译 Most of the classical clustering algorithm matlab implementation, including K means, fuzzy clustering (FCM), SOM, Kohonen, EM, DBSCAN, etc.!
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-means-cluster
- k-means算法是一种动态聚类算法，基本原理如下[24]：首先预先定义分类数k，并随机或按一定的原则选取k个样品作为初始聚类中心；然后按照就近的原则将其余的样品进行归类，得出一个初始的分类方案，并计算各类别的均值来更新聚类中心；再根据新的聚类中心对样品进行重新分类，反复循环此过程，直到聚类中心收敛为止。-K- means algorithm is a dynamic clustering algorithm, the basic principle of [24] as follows: fi
聚类分析程序
- 包含了各类聚类分析程序。主要包括系统聚类，基于欧氏距离的聚类，变量系统聚类和K均值聚类(It includes all kinds of cluster analysis programs. It mainly includes system clustering, Euclidean distance based clustering, variable system clustering and K-means clustering)