TaloyerG的博客

本文介绍了如何使用matlab来实现一个简单的基于自编码器的聚类算法，并对鸢尾花数据集进行了实验。本文还介绍了自编码器的原理、特点、应用场景和相关资源。本文旨在帮助读者理解和掌握自编码器的基本概念和用法。希望对来访读者有所帮助~

接下来，我们需要定义一个表示决策树节点的类 Node 和一个表示决策树本身的类 Tree。feature：节点的划分特征的索引，如果是叶子节点，则为 Nonevalue：节点的划分特征的值，如果是叶子节点，则为 Nonelabel：节点的类别标签，如果是叶子节点，则为该节点所属的类别，如果是非叶子节点，则为该节点所包含的样本中最多的类别left：节点的左子树，如果没有，则为 Noneright：节点的右子树，如果没有，则为 Noneroot：树的根节点，初始为 None。

K-means和bi-kmeans算法都是基于欧式距离进行聚类分析的方法，它们都试图最小化每个簇内数据点与其聚类中心之间距离之和。它们之间主要区别在于如何确定聚类个数k和如何选择初始聚类中心。K-means算法需要人为指定k值，并且随机选择初始聚类中心；而bi-kmeans算法可以根据数据集的特征自动确定k值，并且按照一定的规则选择初始聚类中心。因此，bi-kmeans算法相比K-means算法更加灵活和稳定，但是也更加耗时和复杂。

K-means算法的缺点是需要事先指定聚类个数k，而这个参数往往难以确定；另外，K-means算法对初始聚类中心的选择敏感，不同的初始聚类中心可能导致不同的聚类结果；而且，K-means算法容易陷入局部最优解，即不能保证找到全局最优解。为了克服K-means算法对初始聚类中心选择敏感和容易陷入局部最优解的问题，一种改进的算法是K-means++算法。K-means++算法与K-means算法的区别仅在于选择初始聚类中心的方法。

Spectral Clustering算法的基本思想是将数据点看作图中的节点，将数据点之间的相似度看作图中的边，然后根据图中节点和边的性质进行划分。构建相似度矩阵：首先，我们需要计算每对数据点之间的相似度，并将其存储在一个对称矩阵S中，其中S(i,j)表示第i个数据点和第j个数据点之间的相似度。相似度可以用不同的方式来定义，例如欧氏距离、高斯核函数、余弦相似度等。构建拉普拉斯矩阵：其次，我们需要将相似度矩阵转化为一个拉普拉斯矩阵L，它可以反映图中节点之间的连接关系。

AGNES算法是一种基于层次的聚类算法，它的全称是Agglomerative Nesting，即凝聚式嵌套。AGNES算法的核心思想是从下而上地将数据点按照相似度进行合并，直到达到预设的簇的个数或者满足停止条件。

本文主要为了完成平日作业，并进一步加深对算法的理解。也希望对来访的读者有所帮助。目录一、什么是Kmeans算法二、Kmeans算法的意义三、Kmeans算法代码解析1.关键概念2.大致思路3.对照每行代码的详细注解四、总结总结一、什么是Kmeans算法二、Kmeans算法的意义三、Kmeans算法代码解析1.关键概念2.大致思路3.对照每行代码的详细注解function [U, E_in] = KMeans(data, K)[N, .

本文主要为了完成平日作业，并进一步加深对算法的理解。也希望对来访的读者有所帮助。文章目录一、什么是DBSCAN算法 二、DBSCAN算法的意义 三、DBSCAN算法代码解析关键概念 大致思路 对照代码的解读 四、总结一、什么是DBSCAN算法 DBSCAN基于高密度连通区域的、基于密度的聚类算法，能够将具有足够高密度的区域划分为簇，并在具有噪声的数据中发现任意形状的簇。简单来说，DBSCAN目的就是找到密度相连对象的最大集合。...