KMeans聚类并行化实验,对学习信息检索蛮有用的

matlab常用代码大全，帮助你科研，论文实证分析，数模竞赛 第44章 层次分析法 第45章 灰色关联度 第46章 熵权法 第47章 主成分分析 第48章 主成分回归 第49章 偏最小二乘 第50章 逐步回归分析 第51章 模拟退火 第52章 RBF,GRNN,PNN-神经网络 第53章 竞争神经网络与SOM神经网络 第54章 蚁群算法tsp求解 第55章 灰色预测GM1-1 第56章 模糊综合评价 第57章 交叉验证神经网络 第58章 多项式拟合 plotfit 第59章 非线性拟合 lsq

针对传 统K-Means算法存在准确率低、聚类速度慢的问题，从K-Means算法优化和Flink框架并行层面对K-Means算法优化。为避免算法陷入局部最优解，采用质心间最大距离原则选出k个质心；为提高大数据量下的K-Means聚类速度，提出用k-d树算法划分数据集实现操作算子并行化，设置多个Task Manager数目和CPU核数加速F-Kmeans算法的执行。实验结果表明，较K-Means算法，F-Kmeans算法的准确率提高了约3.6％；F-Kmeans算法在DataSource耗时降低了