Kmeans-python

matlab聚类kmeans代码 作业7 要求 在MapReduce上实现K-Means算法并在小数据集上测试。可以使用附件的数据集，也可以随机生成若干散点的二维数据（x, y)。设置不同的K值和迭代次数，可视化聚类结果。 提交要求同作业5，附上可视化截图。 实现思路 我直接使用了实例代码来运行，用原来的代码创建maven项目KMeansExample。由于原来的代码不是用maven管理的，而且是基于Hadoop1.2编写的程序，所以有一些地方需要进行小小的修改。比如每个java文件前面都要加上对应的包名称，Job对象的创建需要调用getInstance静态方法，而不能直接new Job。 我尝试研读了整个算法的代码，下面简要描述一下示例代码的思路。 主程序：KMeansDriver.main() KMeansDriver.main()方法是整个算法的主程序，它从命令行接收指定的参数k（需要聚成的类数），iterationNum（迭代次数），inputpath，outputpath。依次调用三个主要的过程： generateInitialCluster()：随机产生k个cluster

official_classification.py ： 使用了较多的sklearn中提供的聚类函数 self_classification.py ： 使用了较多的手写聚类函数（手写高斯聚类由于计算高维矩阵n次方报错，就没有使用） 两者可以相互比较看手写函数效果如何。 model.py ： 其中包含了kmeans，lvq，mixture-of-gaussian聚类函数，以及计算精度和NMI的手写函数，处理标签映射的匈牙利算法。 由于学习向量量化是依据ground truth的得到的一组原型向量，是有监督的学习，因此计算其精度没有意义，在函数里就没有计算精度和NMI，只打印出了原型向量 函数运行时会有warning，不用在意，手写的函数没有优化，速度较慢 代码对三个数据集，分别使用了kmeans，lvq，mixture-of-gaussian三个方法，在得到预测标签后，采用匈牙利算法对标签进行处理，计算其精确度acc和标准互信息nmi 这三种方法聚类的精度只有百分之五十几，在数据集yale中效果较差 运行方法： 安装相应需求的库，直接运行official_classifica

Python实现K-Means聚类后的二维可视化，使用的是生成数据，编译器为jupyter notebook 简单便捷，易于理解 使用库：pandas ，numpy ，sklearn，matplotlib，seaborn

Python实现K-Means聚类后的三维可视化，使用的是生成数据，编译器为jupyter notebook 简单便捷，易于理解 使用库：pandas ，numpy ，sklearn，matplotlib，mpl_toolkits

K-means算法常见示例数据Mall_Customers.csv，可用于计算

实现了kmeans信号分类

kmeans和dbscan的聚类算法的matlab实现

Matlab 聚类算法 Kmedoid Kmeans GGclust FuzSam FCMclust

该程序可以实现利用粒子群算法对K-MEANS算法进行优化