您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 新的K-均值算法最佳聚类数确定方法

  2. K-均值聚类算法是以确定的类数K和随机选取的初始聚类中心为前提对数据集进行聚类的。通常聚类数K实现无法确定,随机选定的初始聚类中心容易使聚类结果不稳定。
  3. 所属分类:互联网

  1. 新的K-均值算法最佳聚类数确定方法

  2. 新的K-均值算法最佳聚类数确定方法,对均值聚类算法有极大地优化
  3. 所属分类:C#

    • 发布日期:2012-11-08
    • 文件大小:905216
    • 提供者:jackliuy
  1. 基于重叠度的层次聚类算法

  2. 择合适的聚类数和准确划分簇间重叠的数据是聚类分析领域两个被广泛研究的问题.提出 了一个基于重叠度的层次聚类算法(CCSLM),该算法基于重叠度的衡量,而且不需要预先指定聚类数, 能够很好地解决以上两个问题.算法根据每两簇之间的重叠情况自动运行或停止,从而准确划分簇间 重叠的数据,并自动确定最佳聚类数.通过图像分割应用表明算法的有效性和鲁棒性.还把它和其他聚 类算法进行比较和分析,以证明该算法的优越性.
  3. 所属分类:其它

    • 发布日期:2013-01-13
    • 文件大小:487424
    • 提供者:cyf355955144
  1. 最佳聚类数指标matlab工具箱

  2. 为验证在聚类分析的聚类结果,重要的是要使用一些客观评价聚类质量的指标。本matlab工具箱提供4个外部效度指标和8个内部效度指标: Rand index, Adjusted Rand index, Silhouette, Calinski-Harabasz, Davies-Bouldin, Homogeneity, Separation等。含使用范例。
  3. 所属分类:其它

    • 发布日期:2013-02-19
    • 文件大小:37888
    • 提供者:nefrloja
  1. 改进的GK聚类算法

  2. 针对传统 GK 聚类算法无法自动确定聚类数和对初始聚类中心比较敏感的缺陷,提出一种改进的 GK 聚 类算法。该算法首先通过基于类间分离度和类内紧致性的权和的新有效性指标来确定最佳聚类数; 然后,利用改进 的熵聚类的思想来确定初始聚类中心; 最后,根据判定出的聚类数和新的聚类中心进行聚类。
  3. 所属分类:电信

    • 发布日期:2013-05-31
    • 文件大小:740352
    • 提供者:u010901657
  1. 聚类相似性

  2. 验证聚类分析的结果,用dice 指标验证聚类的相似性来选取最佳的聚类数
  3. 所属分类:医疗

    • 发布日期:2014-03-03
    • 文件大小:6144
    • 提供者:yinyan52010
  1. MATLAB实现K-means聚类

  2. function [idx, C, sumD, D] = kmeans(X, k, varargin) % varargin:实际输入参量 if nargin 1 % 大于1刚至少有一种距离 error(sprintf('Ambiguous ''distance'' parameter value: %s.', distance)); elseif isempty(i) % 如果是空的,则表明没有合适的距离 error(sprintf('Unknown ''distance'' parame
  3. 所属分类:专业指导

    • 发布日期:2015-09-20
    • 文件大小:23552
    • 提供者:qq_22248495
  1. Go-Clusters一个Golang聚类分析库

  2. Clusters实现了几种聚类算法(k-means ,DBSCAN,OPTICS),以及用于导入数据和估计最佳聚类数的实用程序。
  3. 所属分类:其它

    • 发布日期:2019-08-14
    • 文件大小:529408
    • 提供者:weixin_39840387
  1. K-均值聚类算法研究

  2. 【摘要】 目前,对于聚类问题的研究普遍存在于社会生活中的各个领域,如模式识别、图像处理、机器学习和统计学等。关于对生活中各种各样的数据的聚类分类问题已经成为众多学者的研究热题之一。聚类和分类的区别在于,聚类没有任何先验知识可循,要通过数据自身的特点,将数据自动的划分到不同的类别中。聚类的基本形式定义为“在已给的数据集合中寻找数据点集的同类集合。每一个集合叫做一个类,并确定了一个区域,在区域中对象的密度高于其他区域中的密度。”聚类方法有很多种,其中最简单的形式便是划分式聚类,划分式聚类试图将给定的
  3. 所属分类:互联网

    • 发布日期:2020-07-04
    • 文件大小:3145728
    • 提供者:songzailu6482
  1. 一种新的最佳聚类数确定方法

  2. 为了更有效地确定数据集的最佳聚类数,提出一种新的确定数据集最佳聚类数的算法。该算法借签层次聚类的思想,一次性地生成所有可能的划分,然后根据有效性指标选择最佳的聚类划分,进而获得最佳聚类数。理论分析和实验结果证明,该算法具有良好的性能。
  3. 所属分类:其它

    • 发布日期:2020-10-18
    • 文件大小:327680
    • 提供者:weixin_38551749
  1. Prediction-using-Unsupervised-ML:从给定的“虹膜”数据集中,预测最佳聚类数并直观地表示-源码

  2. 无监督ML预测 从给定的“虹膜”数据集中,预测最佳聚类数并直观地表示出来。
  3. 所属分类:其它

    • 发布日期:2021-03-20
    • 文件大小:69632
    • 提供者:weixin_42135754
  1. GDAN_LIHC-CHOL_SNV_clustering:GDAN LIHC-CHOL SNV聚类-源码

  2. GDAN LIHC-CHOL SNV聚类 这是摘要文本相关部分的更新: 每个样品都分配了一个26基因的二元特征向量(0 =无突变; 1 =有突变)。 使用ConsensusClusterPlus(软件包版本1.40.0; R版本3.4.1),通过使用二进制距离度量(等效于Jaccard距离)在围绕仿体(PAM)的聚类算法进行分区的情况下,对1000个重复样本中的80%的样本进行了二次抽样,从而实现了无监督共识聚类。 ,生成4个群集。 以下是这些详细信息的清单: R版本3.4.1 Conse
  3. 所属分类:其它

    • 发布日期:2021-03-09
    • 文件大小:2048
    • 提供者:weixin_42122306
  1. K均值聚类:在这个项目中,我使用K均值聚类为虹膜数据搜索了最佳聚类数-源码

  2. K均值聚类 在这个项目中,我使用K均值聚类为虹膜数据搜索了最佳聚类数。
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:59392
    • 提供者:weixin_42122306
  1. 通过聚类匹配跟踪DDoS攻击报文真实来源的盲检测方法

  2. 随着Internet的快速发展,攻击的影响越来越严重。 IP欺骗使主机难以防御DDoS攻击。 在本文中,我们提出了一种盲目检测方法来跟踪DDoS攻击数据包的真实来源。 追踪单个数据包的真实来源非常困难。因此,我们通过群集匹配来追踪相似数据包的群集而不是单个数据包。 我们根据提出的量化模型选择K调和均值聚类方法对数据包进行预处理,同时提出一种确定最佳聚类数的方法。基于K调和方法和改进的轮廓跟踪数据包簇的真实来源。 实验结果表明,该方法可以检测出真实的数据包源,准确率高达92.54%。
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:299008
    • 提供者:weixin_38607554
  1. 一种有效的基因表达数据模糊核聚类分析方法

  2. 模糊聚类是分析微阵列数据的重要工具。 将模糊聚类方法应用于微阵列基因表达数据的一个主要问题是选择具有聚类数目和中心的参数。 本文提出了一种新的模糊核聚类分析方法(FKCA),它可以识别所需的聚类数并获得更稳定的基因表达数据结果。 首先,为了优化特征差异并估计最佳簇数,引入了高斯核函数以改进频谱分析方法(SAM)。 通过将减法聚类与最大-最小距离均值相结合,提出了最大距离法(MDM)来确定聚类中心。 然后,分别给出了改进的SAM(ISAM)和MDM的相应步骤,通过对基因表达数据进行实验比较说明了它
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:458752
    • 提供者:weixin_38569219
  1. 通过流形上的排序定义光谱聚类的亲和图

  2. 频谱聚类包括两个不同的阶段:(a)从数据集中构造一个亲和图,以及(b)通过找到亲和图的最佳划分来聚类数据点。 本文的重点是第一步。 由于易于实现,现有的频谱聚类算法采用高斯函数来定义亲和图。 但是,高斯函数很难描述数据的固有结构,它必须指定缩放参数,其选择在频谱聚类中仍然是一个未解决的问题。 因此,我们从图分区的角度为光谱聚类提出了亲和图的新定义。 特别是,我们提出了两个一致性:平滑一致性和约束一致性,以便保持亲和图,然后在流形上的排序正则化框架中定义尊重这些一致性的亲和图。 同时,所提出的亲和
  3. 所属分类:其它

    • 发布日期:2021-02-23
    • 文件大小:653312
    • 提供者:weixin_38712899
  1. validclust:验证聚类结果-源码

  2. 有效集群 验证聚类结果 动机 聚类算法通常要求分析人员指定数据中存在的聚类数,该参数通常称为k 。 确定k的适当值的一种方法是使用k的值范围对数据进行聚类,然后使用聚类有效性指数(CVI)评估所得聚类的质量。 然后选择可根据CVI最佳分割数据的k值。 validclust为分析人员处理此过程,使快速确定k的最佳值变得非常容易。 安装 您可以从PyPI获取稳定版本: pip install validclust 或来自GitHub的开发版本: pip install git+https://g
  3. 所属分类:其它

    • 发布日期:2021-02-15
    • 文件大小:15360
    • 提供者:weixin_42130786
  1. KMeans_elbow:使用“肘标准”为K-means算法确定最佳聚类数的代码-源码

  2. KMeans算法和Elbow准则 “ k-Means聚类背后的想法是获取一堆数据并确定数据中是否存在任何自然聚类(相关对象的组)。 k-Means算法是所谓的无监督学习算法。 我们事先不知道数据中存在什么模式-它没有形式分类-但我们想知道是否可以将数据以某种方式分为几类。 例如,您可以使用k-Means通过告诉像素根据其颜色值将像素分组为3个群集来查找图像中3种最突出的颜色。 或者,您可以使用它将相关新闻文章分组在一起,而无需事先确定要使用的类别。 该算法将自动找出最佳组。 k均值中的“
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:102400
    • 提供者:weixin_42116650
  1. gap_statistic:动态获取数据中的建议聚类,以进行无监督学习-源码

  2. Python实现 目的 使用差距统计量动态识别数据集中建议的聚类数量。 在笔记本上使用完整的例子 安装: 出血边缘: pip install git+git://github.com/milesgranger/gap_statistic.git PyPi: pip install --upgrade gap-stat 使用Rust扩展名: pip install --upgrade gap-stat[rust] 卸载: pip uninstall gap-stat 方法: 该程序包提
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:65536
    • 提供者:weixin_42171208
  1. 基于K-means算法的最佳聚类数研究

  2. 针对聚类算法在实现的过程中需要预先设定最终聚类数目的问题,提出了基于同类全部样本的类内紧密度和类间离差度的一种新聚类有效性指标,通过该指标能够有效地确定数据集的最佳聚类簇数。在确定最佳聚类数的过程中采用K-means算法,针对K-means算法随机选择初始聚类中心的缺陷,提出以欧式距离度量样本相似度,基于样本方差,选出方差最小的前K个样本作为初始聚类中心,避免噪声点成为初始聚类中心,使得选择的初始聚类中心位于样本集稠密区域,K-means聚类的结果稳定有效。使用优化K-means算法和新的聚类有
  3. 所属分类:其它

    • 发布日期:2021-01-12
    • 文件大小:1048576
    • 提供者:weixin_38616120
« 12 3 4 »