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))