搜索资源列表
MyKmeans
- 实现聚类K均值算法: K均值算法:给定类的个数K,将n个对象分到K个类中去,使得类内对象之间的相似性最大,而类之间的相似性最小。 缺点:产生类的大小相差不会很大,对于脏数据很敏感。 改进的算法:k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用,这样的一个medoid就标识了这个类。步骤: 1,任意选取K个对象作为medoids(O1,O2,…Oi…Ok)。 以下是循环的: 2,将余下的对象分到各个类中去(根据与medoid最相近的原则); 3,对于每个类(Oi)
CART
- 数据挖掘算法,K-means聚类算法源代码,用于聚类分析-data mining algorithms, K-means clustering algorithm source code for the cluster analysis
fuzzy_k_means
- 数据挖掘算法,fuzzy-K-means聚类算法源代码,用于模糊聚类分析-data mining algorithms, fuzzy-K-means clustering algorithm source code for Fuzzy Cluster Analysis
yk-kMEANS_3
- k-均值算法实现聚类,已经带有测试数据,vc++6-k-means clustering algorithm has been tested with data vc 6
yizhongK-meanssuanfadeshixian
- 自己花费整整两个星期写出来的关于数据挖掘K-means算法的论文,论文中详细的进行了论述并提出了改进后的算法以及对比欢迎下载
K_Means
- k-means是一种经典的聚类算法,这是用java实现k-means的源码,其中包括了测试数据文件
Clustering
- 数据挖掘算法。K-Means聚类数据挖掘算法。该算法是用Java语言编写的。
shujuwajuexitongyanjiu
- :现有NIDS 的检测知识一般由手工编写,其难度和工作量都较大。将数据挖掘技术应用于网络入侵检测,在Snort 的 基础上构建了基于数据挖掘的网络入侵检测系统模型。重点设计和实现了基于K-Means 算法的异常检测引擎和聚类分析模 块,以及基于Apriori 算法的关联分析器。实验结果表明,聚类分析模块能够自动建立网络正常行为模型,并用于异常检测, 其关联分析器能够自动挖掘出新的入侵检测规则。
KMEANS
- K-MEANS算法 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) 循环(3)到(4)直到每个聚类不再发生变化为止 (3) 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; (4) 重新计算每个(有变化)聚类的均值(中心对象)
clustering
- 将Weka数据挖掘工具所产生的K-MEANS和DBSCAN结果转化成MATLAB可输出三维图像的格式
k_means
- K-MEANS算法: 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 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
Top_Sort
- K-MEANS算法: 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 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
src
- 实现数据挖掘的K-means算法 使用多次迭代从
43282922
- K-MEANS算法 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()
sectog-shmbolic
- kmeans算法实现 a simple k-means clustering routine returns the clus()
EWKM
- 针对于高维稀疏的子空间数据,并进行了加权熵处理(Aiming at the high-dimensional sparse subspace data, weighted entropy processing is carried out.)
kmean
- 确定K均值最佳聚类数,把数据导入后运行即可(Determining the best clustering number of K mean)
KMEANS
- C++编程实现数据挖掘中的聚类分析 使用K均值算法(C++ programming to achieve data mining clustering analysis using k-means algorithm)
k均值聚类
- 通过比较自编MATLAB 的k-means 算法程序和SPSS 中自带的k-means聚类工具,对两个数据集聚类,并分析了聚类结果。(By comparing the k-means algorithm program of self-compiled MATLAB with the K-means clustering tool of SPSS, two data sets are clustered and the clustering results are analyzed.)
kmeans
- 利用k均值聚类算法对数据进行聚类分析(数据点通过随机生成)(Using k-means clustering algorithm to cluster data (data points are generated randomly))