系統聚類算法K-means 屬于聚類分析中一種基本的劃分方法，常采用誤差平方和準則函數作為聚類準則，該算法在處理大數據集時是相對可伸縮且高效率的，同時具有潛在的數據并行性。但是這種算法依賴于初始值的選擇以及數據的輸入順序；此外，當運用誤差平方和準則函數測度聚類效果時，如果各簇的形狀和大小差別很大，為使誤差平方和 Jc 值達到最小有可能出現將大的聚類簇分割的現象。
標簽： K-means 分 聚類算法
上傳時間： 2015-03-25
上傳用戶：zhuoying119
對多維的矩陣,做大量矩陣的的計算,來試探實際效能以及處理時間.
標簽： 效能
上傳時間： 2015-03-26
上傳用戶：許小華
k-means算法(matlab編寫),其中包含測試數據集,可以使用.
標簽： k-means matlab 算法 測試
上傳時間： 2014-01-12
上傳用戶：ddddddos
Parzen 窗 和 K近鄰法進行概率密度估計 還帶一個示波器控件.
標簽： Parzen 概率密度 控件 示波器
上傳時間： 2013-12-17
上傳用戶：13517191407
K均值算法的一個改進算法，簡單實用，但是有點簡單。
標簽： K均值算法 改進算法
上傳時間： 2015-03-29
上傳用戶：清風冷雨
K均值是一個預先知道類數的算法，需要具備專業知識，不現實。本文提出一個確定類數的方法。
標簽： K均值 算法
上傳時間： 2015-03-30
上傳用戶：GavinNeko
用三種方法實現在數組中選擇第k個最小的元素
標簽： 數組 元素
上傳時間： 2015-03-31
上傳用戶：cccole0605
VC odbc 連接Access 數據庫 的例子,比較簡單
標簽： Access odbc VC
上傳時間： 2014-01-27
上傳用戶：1051290259
實現聚類K均值算法： K均值算法：給定類的個數K，將n個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小。 缺點：產生類的大小相差不會很大，對于臟數據很敏感。 改進的算法：k—medoids 方法。這兒選取一個對象叫做mediod來代替上面的中心 的作用，這樣的一個medoid就標識了這個類。步驟： 1，任意選取K個對象作為medoids（O1,O2,…Oi…Ok）。 以下是循環的： 2，將余下的對象分到各個類中去（根據與medoid最相近的原則）； 3，對于每個類（Oi）中，順序選取一個Or，計算用Or代替Oi后的消耗—E（Or）。選擇E最小的那個Or來代替Oi。這樣K個medoids就改變了，下面就再轉到2。 4，這樣循環直到K個medoids固定下來。 這種算法對于臟數據和異常數據不敏感，但計算量顯然要比K均值要大，一般只適合小數據量。
標簽： K均值算法 聚類
上傳時間： 2015-04-03
上傳用戶：sardinescn
Scalable k-means software and test datasets This package (a Unix tar file, gzipped) contains the source code for the software that was used to run the experiments for the article
標簽： Scalable datasets contains software
上傳時間： 2015-04-05
上傳用戶：康郎
蟲蟲下載站版權所有 京ICP備2021023401號-1
<input id="s44ym"></input>
