K-means聚类分析算法（一）

/*** @authorseerhuitao 聚类算法* @create2018/7/26*/
public class KmeansUtils {/*** @param args*/public static void main(String[] args) {// TODO Auto-generated method stubdouble[] p = { 1, 2, 3, 5, 6, 7, 9, 10, 11, 100, 150, 200, 1000 };int k = 5;double[][] g;g = cluster(p, k);for (int i = 0; i < g.length; i++) {for (int j = 0; j < g[i].length; j++) {System.out.print(g[i][j]);System.out.print("\t");}System.out.println();}}/** 聚类函数主体。* 针对一维 double 数组。指定聚类数目 k。* 将数据聚成 k 类。*/public static double[][] cluster(double[] p, int k) {// 存放聚类旧的聚类中心double[] c = new double[k];// 存放新计算的聚类中心double[] nc = new double[k];// 存放放回结果double[][] g;// 初始化聚类中心// 经典方法是随机选取 k 个// 本例中采用前 k 个作为聚类中心// 聚类中心的选取不影响最终结果for (int i = 0; i < k; i++)c[i] = p[i];// 循环聚类，更新聚类中心// 到聚类中心不变为止while (true) {// 根据聚类中心将元素分类g = group(p, c);// 计算分类后的聚类中心for (int i = 0; i < g.length; i++) {nc[i] = center(g[i]);}// 如果聚类中心不同if (!equal(nc, c)) {// 为下一次聚类准备c = nc;nc = new double[k];} else // 聚类结束break;}// 返回聚类结果return g;}/** 聚类中心函数* 简单的一维聚类返回其算数平均值* 可扩展*/public static double center(double[] p) {return sum(p) / p.length;}/** 给定 double 型数组 p 和聚类中心 c。* 根据 c 将 p 中元素聚类。返回二维数组。* 存放各组元素。*/public static double[][] group(double[] p, double[] c) {// 中间变量，用来分组标记int[] gi = new int[p.length];// 考察每一个元素 pi 同聚类中心 cj 的距离// pi 与 cj 的距离最小则归为 j 类for (int i = 0; i < p.length; i++) {// 存放距离double[] d = new double[c.length];// 计算到每个聚类中心的距离for (int j = 0; j < c.length; j++) {d[j] = distance(p[i], c[j]);}// 找出最小距离int ci = min(d);// 标记属于哪一组gi[i] = ci;}// 存放分组结果double[][] g = new double[c.length][];// 遍历每个聚类中心，分组for (int i = 0; i < c.length; i++) {// 中间变量，记录聚类后每一组的大小int s = 0;// 计算每一组的长度for (int j = 0; j < gi.length; j++)if (gi[j] == i)s++;// 存储每一组的成员g[i] = new double[s];s = 0;// 根据分组标记将各元素归位for (int j = 0; j < gi.length; j++)if (gi[j] == i) {g[i][s] = p[j];s++;}}// 返回分组结果return g;}/** 计算两个点之间的距离， 这里采用最简单得一维欧氏距离， 可扩展。*/public static double distance(double x, double y) {return Math.abs(x - y);}/** 返回给定 double 数组各元素之和。*/public static double sum(double[] p) {double sum = 0.0;for (int i = 0; i < p.length; i++)sum += p[i];return sum;}/** 给定 double 类型数组，返回最小值得下标。*/public static int min(double[] p) {int i = 0;double m = p[0];for (int j = 1; j < p.length; j++) {if (p[j] < m) {i = j;m = p[j];}}return i;}/** 判断两个 double 数组是否相等。 长度一样且对应位置值相同返回真。*/public static boolean equal(double[] a, double[] b) {if (a.length != b.length)return false;else {for (int i = 0; i < a.length; i++) {if (a[i] != b[i])return false;}}return true;}
}

上面这是测试代码：具体实现了一维度数组的聚类算法，主要是把离散的一群数据，进行分类，距离最近的分为一类，也就是找出一群数据中数据密集分布的区间，最后输出。

K-means聚类分析算法（一）相关推荐

k means聚类算法_一文读懂K-means聚类算法
1.引言什么是聚类?我们通常说,机器学习任务可以分为两类,一类是监督学习,一类是无监督学习.监督学习:训练集有明确标签,监督学习就是寻找问题(又称输入.特征.自变量)与标签(又称输出.目标.因变量) ...
k means聚类算法_K-Means 聚类算法 20210108
说到聚类,应先理解聚类和分类的区别聚类和分类最大的不同在于:分类的目标是事先已知的,而聚类则不一样,聚类事先不知道目标变量是什么,类别没有像分类那样被预先定义出来. K-Means 聚类算法有很多种 ...
OpenCV官方文档理解k - means聚类
理解k - means聚类目标在这一章中,我们将了解k - means聚类的概念,它是如何工作等. 理论我们将这个处理是常用的一个例子. t恤尺寸问题考虑一个公司要发布一个新模型的t恤. 显然 ...
kmeans改进 matlab,基于距离函数的改进k―means 算法
摘要:聚类算法在自然科学和和社会科学中都有很普遍的应用,而K-means算法是聚类算法中经典的划分方法之一.但如果数据集内相邻的簇之间离散度相差较大,或者是属性分布区间相差较大,则算法的聚类效果十分有 ...
机器学习笔记（3）——使用聚类分析算法对文本分类（分类数k未知）
聚类分析是一种无监督机器学习(训练样本的标记信息是未知的)算法,它的目标是将相似的对象归到同一个簇中,将不相似的对象归到不同的簇中.如果要使用聚类分析算法对一堆文本分类,关键要解决这几个问题: 如何衡 ...
k均值聚类算法(K Means)及其实战案例
算法说明 K均值聚类算法其实就是根据距离来看属性,近朱者赤近墨者黑.其中K表示要聚类的数量,就是说样本要被划分成几个类别.而均值则是因为需要求得每个类别的中心点,比如一维样本的中心点一般就是求这些样本 ...
K-Means（K均值聚类算法）
K-Means(K均值聚类算法) 1.前言要学习聚类算法就要知道聚类学习算法是什么,为什么要学习聚类学习聚类学习算法,有什么用途,下面就简单的做一下介绍,并且详细的说明k-means均值聚类学习算法 ...
文本聚类分析算法_读书笔记（8）kmeans聚类算法及应用
1.问题导入假如有这样一种情况,在一天你想去某个城市旅游,这个城市里你想去的有70个地方,现在你只有每一个地方的地址,这个地址列表很长,有70个位置.事先肯定要做好攻略,你要把一些比较接近的地方放在 ...
全国113个城市空气质量的K均值聚类分析--基于R
下表给出了2017年全国113个环保重点城市空气质量年度数据(资料来源:中华人们共和国国家统计局).它们分别为:二氧化硫平均浓度(微克每立方米,),二氧化氮平均浓度(微克每立方米,);可吸入颗粒物(P ...
SPSS聚类分析：K均值聚类分析
SPSS聚类分析:K均值聚类分析一.概念:(分析-分类-K均值聚类) 1.此过程使用可以处理大量个案的算法,根据选定的特征尝试对相对均一的个案组进行标识.不过,该算法要求您指定聚类的个数.如果知道, ...

K-means聚类分析算法（一）

K-means聚类分析算法（一）相关推荐

最新文章

热门文章