wangxiaopeng0329的博客

DBSCAN(Density-based spatial clustering ofapplications with noise)是Martin Ester, Hans-PeterKriegel等人于1996年提出的一种基于密度的空间的数据聚类方法，该算法是最常用的一种聚类方法[1,2]。该算法将具有足够密度区域作为距离中心，不断生长该区域,算法基于一个事实：一个聚类可以由其中的任何核心对象唯一

轮廓系数（Silhouette Coefficient），是聚类效果好坏的一种评价方式。最早由 Peter J. Rousseeuw 在 1986 提出。它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。         方法：                  1，计算样本i到同簇其他样本的平均距离ai。ai 越

在做分类时常常需要估算不同样本之间的相似性度量(SimilarityMeasurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。　　本文的目的就是对常用的相似性度量作一个总结。本文目录：1.欧氏距离2.曼哈顿距离3. 切比雪夫距离4. 闵可夫斯基距离

|*—*|模式构造（算法一：产生各种包含问题与答案的模式，主要是用后缀树进行模式学习）第一步： 用问题+答案搜索第二步：处理搜索出来的1000条数据文本第三步：用正则表达式保留包含了问题和答案的句子第四步：把包含问题和答案的sentences传给后缀树执行（找到这些句子中重复最多的最长子串 如：mozart (1957-2001)）第五步：把包含问题和答案的ph