siss0siss的博客

import pandas as pd import numpy as np from sklearn.preprocessing import Imputer#导入数据预处理模块处理原始数据 from sklearn.model_selection import train_test_split#导入自动生成训练集和测试集的模块 from sklearn.metrics import clas

一、算法原理 根据密度进行聚类。 三类数据点：核心点，边界点，噪音点。 核心点：在半径Eps内含有超过Minpts个数的点。 边界点：在半径Eps内含有小于Minpts个数的点，但落在核心点的领域。 噪音点：不是以上两种点的点。 每个点都要判断一遍，标记为核心点，边界点和噪音点，噪音点要删除。 二、算法参数 eps:半径 min_sample:簇的样本数 metric:

KMeans方法的核心。

一、算法原理 算法流程： input: 样本集: 低维空间维数d process: 1.对所有样本进行中心化 2.计算样本的协方差矩阵 3.对协方差矩阵做特征值分解 4.取最大的d个特征值所对应的特征向量 output: 投影矩阵： 注：以上算法流程改编自周志华《机器学习》 算法补充： 1.协方差矩阵公式： 据查