求java聚類分析代碼

k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類 算法實現(xiàn)起來應該很容易，就不幫你編寫代碼了。

專業(yè)成都網(wǎng)站建設公司，做排名好的好網(wǎng)站，排在同行前面，為您帶來客戶和效益!創(chuàng)新互聯(lián)為您提供成都網(wǎng)站建設，五站合一網(wǎng)站設計制作，服務好的網(wǎng)站設計公司，成都網(wǎng)站制作、成都網(wǎng)站建設負責任的成都網(wǎng)站制作公司!

用 k-means方法對下面的數(shù)據(jù)進行分類，k=3，要求用java寫代碼 怎么做

第一次迭代下,除了a4點,其他點都歸為一類c1:(a1 a2 a3 a5);c2:(a4) 聚類中心：c1:(2,2);c2(5,4)（聚類中心的計算方式是平均類中所有點）

第二次迭代下,c1(a1 a2 a5);c2(a3 a4) 聚類中心c1:(4/3,5/3);c2(9/2 7/2)

第三次迭代下,c1(a1 a2 a5);c2(a3 a4) 聚類中心c1:(4/3,5/3);c2(9/2 7/2)結(jié)果已經(jīng)穩(wěn)定跳出循環(huán)

層次聚類

層次聚類方法對給定的數(shù)據(jù)集進行層次的分解，直到滿足某種條件為止，傳統(tǒng)的層次聚類算法主要分為兩大類算法：

1、凝聚的層次聚類： AGNES算法 (AGglomerative NESting)==采用自底向上的策略。最初將每個對象作為一個簇，然后這些簇根據(jù)某些準則被一步一步合并，兩個簇間的距離可以由這兩個不同簇中距離最近的數(shù)據(jù)點的相似度來確定；聚類的合并過程反復進行直到所有的對象滿足簇數(shù)目。

2、分裂的層次聚類： DIANA算法 (DIvisive ANALysis)==采用自頂向下的策略。首先將所有對象置于一個簇中，然后按照某種既定的規(guī)則逐漸細分為越來越小的簇(比如最大的歐式距離)，直到達到某個終結(jié)條件(簇數(shù)目或者簇距離達到閾值)；

1、簡單，理解容易。

2、合并點/分裂點選擇不太容易。

3、合并/分類的操作不能進行撤銷。

4、大數(shù)據(jù)集不太適合。

5、執(zhí)行效率較低O(t*n2)，t為迭代次數(shù)，n為樣本點數(shù)。

兩個聚簇中最近的兩個樣本之間的距離(single/word-linkage聚類法)。

最終得到模型容易形成鏈式結(jié)構(gòu)。

兩個聚簇中最遠的兩個樣本的距離(complete-linkage聚類法)。

如果存在異常值，那么構(gòu)建可能不太穩(wěn)定。

兩個聚簇中樣本間兩兩距離的平均值(average-linkage聚類法)。

兩個聚簇中樣本間兩兩距離的中值(median-linkage聚類法)。

CF-Tree (Cluster Feature Tree)：每個節(jié)點是由三個聚類特征組成。這三個聚類特征構(gòu)成一個三元組，用(N, LS, SS)來表示。

其中：

N 表示這個CF中包含的樣本數(shù)量；

LS 表示這個CF中包含的樣本點的向量和；

SS 表示這個CF中包含的樣本點各個特征的平方和。

CF-Tree中父節(jié)點的某個CF值等于其指向的所有子節(jié)點CF值的總和。

CF-Tree 的幾個關鍵超參數(shù)：

B： 每個內(nèi)部節(jié)點最大的CF個數(shù)。

L： 每個葉節(jié)點最大的CF個數(shù)。

T： 新樣本若被分到某一CF中，其到該CF中心的距離最大值。

CF-Tree構(gòu)建步驟：

1、初始狀態(tài)，CF樹是空的，無任何樣本。讀入第一個樣本x(a,b)，生成一個CF三元組，此處N=1，LS=(a,b)，SS=a2+b2，我們令其為CF1。

2、讀入第二個樣本，若到CF1的距離小于T，那么這個樣本也歸入CF1，更新三元組數(shù)據(jù)；如果大于T，則新劃分出一個CF，這個樣本作為CF2當中的首個樣本，生成一個CF三元組。

注意：此時都是在節(jié)點內(nèi)進行CF的建立，而非產(chǎn)生新的節(jié)點。

3、分裂：如果新數(shù)據(jù)進入該節(jié)點后，距離所有CF中心的距離都大于T，且Cf個數(shù)在生成新CF后大于B，則該節(jié)點需要進行劃分。

4、找到該分支內(nèi)各個CF之間的距離最大的兩個CF，分別作為兩個新葉子結(jié)點的CF，再計算剩余CF到這兩個CF之間的距離，距離近的分到一個節(jié)點當中。

5、如果節(jié)點分裂過后葉子節(jié)點個數(shù)超過L，則該節(jié)點要進行分裂，分裂方式和上一步相同。

6、生成CF和分裂過程直至所有樣本均進入CF樹后停止。

BIRCH算法 (平衡迭代削減聚類法)：聚類特征使用3元組進行一個簇的相關信息，通過構(gòu)建滿足分枝因子和簇直徑限制的 聚類特征樹(CF-Tree) 來求聚類，聚類特征樹其實是一個具有兩個參數(shù) 分枝因子(B、L) 和 類直徑(T) 的高度平衡樹；分枝因子規(guī)定了樹的每個節(jié)點的子女的最多個數(shù)，而類直徑體現(xiàn)了對這一類點的距離范圍；非葉子節(jié)點為它子女的最大特征值；聚類特征樹的構(gòu)建可以是動態(tài)過程的，可以隨時根據(jù)數(shù)據(jù)對模型進行更新操作。對應生成的結(jié)果就是一個 簇(聚類特征 - CF) ；BIRCH算法的過程就是建立CF-Tree的過程。

優(yōu)缺點：

1、適合大規(guī)模數(shù)據(jù)集，線性效率；

層次聚類算法 的復雜度為 OT(n2) ；

優(yōu)化后的 BIRCH算法 構(gòu)建聚類特征樹(CF-Tree)的時間復雜度為 O(n) ；

2、只適合分布呈凸形或者球形的數(shù)據(jù)集、需要給定聚類個數(shù)和簇之間的相關參數(shù)；

CURE算法 (使用代表點的聚類法)：是一種 凝聚算法(AGNES) 。該算法先把每個數(shù)據(jù)點看成一類，然后合并距離最近的類直至類個數(shù)為所要求的個數(shù)為止。但是和AGNES算法的區(qū)別是： 取消了使用所有點或用中心點+距離來表示一個類 ，而是 從每個類中抽取固定數(shù)量、分布較好的點作為此類的代表點 ，并將這些 代表點(一般10個) 乘以一個適當?shù)?收縮因子(一般設置0.2~0.7之間) ，使它們更加靠近類中心點。代表點的收縮特性可以調(diào)整模型可以匹配那些非球形的場景，而且收縮因子的使用可以減少噪音對聚類的影響。

代表點 不是原來的點，而是那些需要重新計算的點。

k-means聚類算法的java代碼實現(xiàn)文本聚類

K-MEANS算法:

k-means 算法接受輸入量 k ；然后將n個數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。

k-means 算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

具體如下：

輸入：k, data[n];

（1） 選擇k個初始中心點，例如c[0]=data[0],…c[k-1]=data[k-1];

（2） 對于data[0]….data[n], 分別與c[0]…c[n-1]比較，假定與c[i]差值最少，就標記為i;

（3） 對于所有標記為i點，重新計算c[i]=/標記為i的個數(shù)；

（4） 重復(2)(3),直到所有c[i]值的變化小于給定閾值。

算法實現(xiàn)起來應該很容易，就不幫你編寫代碼了。

matlab代碼實現(xiàn)層次聚類問題

近需要用到層次聚類，發(fā)現(xiàn)在Matlab上很容易實現(xiàn)，下面是代碼加詳細注釋

[plain] view plain copy

clear all

clc

close all

mdist=input('輸入坐標文件名字\n');

disp('讀取數(shù)據(jù)坐標')

%獲取坐標

聚類算法，K-means算法的Java代碼實現(xiàn)

這得分詞+vsm+k-means啊。k-means算法網(wǎng)上應該不少，但是對文檔的話，還得進行分詞，構(gòu)建矢量空間模型才能進行聚類啊。

本文標題：層次聚類代碼java,聚類分析代碼
標題網(wǎng)址：http://chinadenli.net/article12/dsgdcdc.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供電子商務、自適應網(wǎng)站、企業(yè)建站、微信小程序、域名注冊、軟件開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)