k-means算法實現(xiàn)(文件)
【正文】 dsLen。}KMeans算法class_coordCount。_k。表示第j//定義一個變量，來表示資料點到中心點的距離,///InitRandom()。DoubleVecamp。DoubleVecamp。NearestCluster(intdata,Start()。includelimitsKMeans::KMeans(Double2DVecK){int(i=0。=K。(_coordCount)。++i){_distanceCache[i].resize(_coordCount)。=temp//產(chǎn)生隨機(jī)數(shù)_clusterAssignments[temp]//記錄第temp個資料屬于第i個聚類_clusters[i]}}void0,i,j。endl。0。_k。(iii++){forgetDistance(_coordinates[i],dist。0。_coordCount。thisNearestCluster(i)。0。0。_coordCount。=====}for_nearestCluster[i]。center)。nearestmin(int_distanceCache[ndx][c]。min){min=}KMeans::~KMeans(void){vectorCluster*::iteratoriter!=()。}。(*iter)。forreturn}}d。(dd=numeric_limitsdouble::max()。1。KMeans::NearestCluster(int1constKMeans::getDistance(const_clusterAssignments[i]=for//需要修改每個聚類的成員和表示某個數(shù)據(jù)屬于哪個聚類的變量//否則需要重新調(diào)整資料點和群聚類的關(guān)系，調(diào)整完畢后再重新開始循環(huán)；if}if{i++)i(ik_nearestCluster[i]{i++)i(i_distanceCache[i][j]dist=_coordCount。0。_clusters[i]UpdateMean(_coordinates)。{i++)i(icoutIteration{(true)iternewi。(int}void(i=0。(_coordCount)。_kcopy(data[i].begin(),data[i].end(),back_inserter(_coordinates[i]))。{++i)this(())。data,include}。K)。KMeans(Double2DVecamp。public:center)。coord,double_distanceCache。_nearestCluster。IntVec個群聚類_clusterAssignments[j]=i。_coordinates。_clusters。class一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。kmeans 算法接受輸入量 k ；然后將n個數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。return//確保小寫化}}StopWordsHandler::~StopWordsHandler(void){}bool(intstopWordsLenstopWordsList[](pos!=())。break。{//最后一個單詞了(pos==())copy((),pos,back_inserter(temp))。//找到分隔符find((),(),39。string{()。transfo
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號-1