'''
本章主要介绍密度聚类：
簇：密度相连的点的最大集合
优点：
1、能够将具有高密度的区域划分为簇
2、能发现任意形状的簇
基本概念：
对象的ε-邻域:给定对象在半径ε内的区域
核心对象：一个对象的邻域中至少包含最小数目x个对象的
直接密度可达：给定对象集合D,如果p是在q的邻域内，q又是核心对象，则表明从核心对象q直接密度可达对象p
密度可达（可以认为是基于传递性）：存在对象链p1,p2,...
分类：
其他好文 时间：
2016-07-10 19:03:58
阅读次数：
257
Case Studies: Finding Similar DocumentsLearning Outcomes: By the end of this course, you will be able to:（通过本章的学习，你将掌握） -Create a document retrieval s ...
分类：
系统相关 时间：
2016-07-10 15:15:55
阅读次数：
204
k-means 算法 k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 k-means 算法的工作过程说明如下 ...
分类：
编程语言 时间：
2016-07-09 22:13:42
阅读次数：
210
Spark作为一种开源集群计算环境，具有分布式的快速数据处理能力。而Spark中的Mllib定义了各种各样用于机器学习的数据结构以及算法。Python具有Spark的API。需要注意的是，Spark中，所有数据的处理都是基于RDD的。 首先举一个聚类方面的详细应用例子Kmeans： 下面代码是一些基 ...
分类：
其他好文 时间：
2016-07-08 21:31:18
阅读次数：
611
实际上，您可以把索引理解为一种特殊的目录。微软的SQL SERVER提供了两种索引：聚集索引（clustered index，也称聚类索引、簇集索引）和非聚集索引（nonclustered index，也称非聚类索引、非簇集索引）。下面，我们举例来说明一下聚集索引和非聚集索引的区别： 其实，我们的汉 ...
分类：
其他好文 时间：
2016-07-08 15:12:45
阅读次数：
164
原题采用Kmeans方法对西瓜数据集进行聚类。我花了一些时间居然没找到西瓜数据集4.0在哪里，于是直接采用sklearn给的例子来分析一遍，更能说明Kmeans的效果。 运行文本结果： 图片结果： ...
分类：
其他好文 时间：
2016-07-06 23:21:56
阅读次数：
345
首先，简单介绍下k-means聚类：效果简单有效，易于map—reduce化 算法思路：1、选择k个点作为原始的质心（k如何定） 2、将每个点指派到最近的质心，形成k个簇 3、重新计算每个簇的质心（x,y坐标的均值）--[新的质心不一定为样本点哦] 4、迭代2、3步直到簇心收敛于某一个阈值 优缺点： ...
分类：
其他好文 时间：
2016-07-06 20:19:22
阅读次数：
263
k-均值聚类是非监督学习的一种，输入必须指定聚簇中心个数k。k均值是基于相似度的聚类，为没有标签的一簇实例分为一类。 一 经典的k-均值聚类 思路： 1 随机创建k个质心（k必须指定，二维的很容易确定，可视化数据分布，直观确定即可）； 2 遍历数据集的每个实例，计算其到每个质心的相似度，这里也就是欧 ...
分类：
其他好文 时间：
2016-07-04 23:26:24
阅读次数：
214
在分类聚类算法中，时常需要计算两个变量（通常是向量的形式）的距离，即相似性度量。其中，距离度量的性质：非负性，自反性，对称性和三角不等式。
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
5.标准化欧氏距离
6.马氏距离
7.余弦相似度
...
分类：
其他好文 时间：
2016-07-03 20:05:42
阅读次数：
785
算法的思想是初始选取M个种子点，将周围点的特征和种子点特征进行距离的测定，距离最小的点和该种子点归为一类。则可以分为M个类别，计算这些类别特征的质心作为新的种子点，再次分类，如此迭代n次后的结果便是聚类分割的结果。
K-means也是聚类算法中最简单的一种了，但是里面包含的思想却是不一般。最早我使用并实现这个算法是在学习韩爷爷那本数据挖掘的书中，那本书比较注重应用。看了...
分类：
其他好文 时间：
2016-07-03 19:46:31
阅读次数：
170
