daisy9212的博客

聚类有效性的评价标准有两种：一是外部标准，通过测量聚类结果和参考标准的一致性来评价聚类结果的优良；另一种是内部指标，用于评价同一聚类算法在不同聚类数条件下聚类结果的优良程度，通常用来确定数据集的最佳聚类数。 一 最佳聚类数判定的方法 对于内部指标，通常分为三种类型：基于数据集模糊划分的指标；基于数据集样本几何结构的指标；基于数据集统计信息的指标。基于数据集样本几何结构的指标根据数据集本身和聚类结

Kmeans算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后通过计算各个簇中数据点的平均值，更新簇中心，迭代至满足收敛条件。 Kmeans的目标函数：（这里以欧式距离作为衡量近邻标准进行分析） 其中，N是数据数目，C是划分簇的数目，rc 是一个0 1变量，当数据点xn被归类到c簇时为1，否则为0。 Kmeans 算法就是最小化这个目标函数，可采取迭代的方法：

FCM代码function[center,U,obj_fun]=FCMCluster(data,n,options)%采用模糊C均值将数据集data分为n类%用法% 1 [center,U,obj_fcn]=FCMCluster(data,n,options);% 2 [center,U,obj_fcn]=FCMCluster(data,n);%输入 % data n*m矩阵，n个样

今天看了谱聚类算法综述（主要最近看的论文好像中心都偏在聚类分割这里），具体看了一种算法，实现起来也很简单，有点晚了，省去原理部分（明天补上），贴Matlab代码。%%%补上一点综述（每次都要转成PDF、、、） NJW算法function U=NJW(data,k)%%NJW算法 选取拉氏矩阵的前K个最大特征值对应的特征向量，使其在R（k）空间中构成与原数据一一对应的表述，并在该空间内进行聚类

常见的数据预处理方法有：数据清洗、数据集成、数据变换和数据归约。1.      数据清洗：数据清洗的目的不只是要消除错误、冗余和数据噪音，还要能将按不同的、不兼容的规则所得的各种数据集一致起来。2.      数据集成：将多个数据源中的数据合并，并存放到一个一致的数据存储（如数据仓库）中。这些数据源可能包括多个数据库、数据立方体或一般文件。3.      数据变换：找到数据的特征表示，