搜索资源列表
对k-means聚类算法的改进
- K均值算法的一个改进算法，简单实用，但是有点简单。-K-means algorithm of an improved algorithm is simple and practical, but a bit simple.
一种新的聚类分析距离算法
- K均值是一个预先知道类数的算法，需要具备专业知识，不现实。本文提出一个确定类数的方法。-K is a means to know in advance the number of categories algorithm, requires expertise and unrealistic. This paper presents a number of categories to determine the method.
KMeansJava
- 利用Java实现的K-均值算法，K-Mean 分群法是一种分割式分群方法，其主要目标是要在大量高纬的资料点中找出 具有代表性的资料点；这些资料点可以称为群中心，代表点；然后再根据这些群中心，进行后续的处理，可用于数据挖掘中的聚类分析-Java implementation using K-means algorithm, K-Mean grouping method is a fragmented grouping method, whose main goal is to a large nu
Kmeans_FCM
- java写的模糊c均值聚类算法和k均值聚类算法-fuzzy c means clustering algorithm and K means cluster in java
kmeans
- java k均值源码，实现了k-means的算法，并给出界面显示。实例中通过二维空间中的点进行聚类。-java k-means algorithm, display the cluster result on the two demension.
k-means_Program
- k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 -k-means algorithm to accept input k then n-k of data objects into a cluster in order to make the cluster available to meet: t
Kmeans1
- 连接mysql数据库的k均值聚类算法，有想过还不错。-connect with mysql by k_means。Great result.
userClustering1021
- 使用k均值对用户进行聚类，有很强的实用性。-Using k-means clustering, and practicality.
KMEANS
- 输入：聚类个数k，以及包含 n个数据对象的数据库。输出：满足方差最小标准的k个聚类。处理流程： （1）从 n个数据对象任意选择 k 个对象作为初始聚类中心. （2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；（3）重新计算每个（有变化）聚类的均值（中心对象） （4）循环（2）到（3）直到每个聚类不再发生变化为止-Input: number of clusters k, and n data object contains a
Kmeans
- 使用Java实现K-means（C均值）聚类算法-Using Java to achieve K-means (C mean) clustering algorithm
Kmeans
- K-均值聚类算法，是一种随机选取数个数据中心进行点聚类处理进而生成分类的数据挖掘算法，具有很好的学习功能。-K-means clustering algorithm is a randomly selected number of data center point clustering process thereby generating classification data mining algorithms, with good learning function.
Kmeans
- k均值聚类算法代码, k均值聚类算法代码-k-means clustering algorithm code, k-means clustering algorithm code
K_Means
- k-means 算法的工作过程说明如下：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。下面给出我写的源代码。-work process k-means al
KmeanProject
- 利用k均值聚类算法对词进行聚类,基于最大最小原则初始化质心-cluster word by kmeans
CanopyExm
- Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值 T1>T2来处理。 Canopy聚类算法能快速找出应该选择多少个簇，同时找到簇的中心，这样可以大大优化 K均值聚类算法的效率 。-Canopy is a clustering algorithm to group objects into simple categories, fast, accurate method. Each obj
clusterTest
- 用java语言实现k均值聚类的代码demo，可直接运行,无需调试。-Using java language k-means clustering code demo, it can be run directly without debugging.