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）
JAVA实现文本聚类，用到TF/IDF权重
- JAVA实现文本聚类，用到TF/IDF权重，用余弦夹角计算文本相似度，用k-means进行数据聚类等数学和统计 知识。,JAVA realization of text clustering, using TF/IDF weight, calculated using cosine angle between the text of similarity, using k-means clustering for data such as mathematical and statistical
K-Means
- K均值聚类算法 C++实现的K均值聚类算法。-K means clustering algorithm C++ Achieved K-means clustering algorithm.
k-means_Program
- 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 algorithm to accept input k then n-k of data objects into a cluster in order to make the cluster available to meet: t
Cpp1
- 距离与相异度，然后介绍一种常见的聚类算法——k均值和k中心点聚类-Distance and dissimilarity, and then introduce a clustering algorithm- k mean and k-medoids clustering
K-mean
- 聚类算法中的k-means算法，和k-medoids 肯定是非常相似的。k-medoids 和 k-means 不一样的地方在于中心点的选取，在 k-means 中，我们将中心点取为当前 cluster 中所有数据点的平均值。-Clustering algorithm k-means algorithm, and k-medoids certainly very similar. k-medoids and k-means not the same place that the center o
k-mean+k-medoids
- 机器学习中的两个基本算法，k-means 和k-medoids 通过学习英文课件，更好的理解算法内涵(Machine learning in the two basic algorithms, K-means and k-medoids through learning English courseware, better understanding of the algorithm connotation)