k-means聚类算法的java实现描述

《k-means聚类算法的java实现描述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、k-means聚类算法的java实现描述2008年04月09日星期三14:021.什么是k-means聚类算法？   从网上找到了很多定义，这里选取比较典型的几个；   K-Mean分群法是一种分割式分群方法，其主要目标是要在大量高纬的资料点中找出       具有代表性的资料点；这些资料点可以称为群中心，代表点；然后再根据这些        群中心，进行后续的处理，这些处理可以包含    1）资料压缩：以少数的资料点来代表大量的资料，达到资料压缩的功能；    2）资料分类：以少数代表点来代表特点类别的

2、资料，可以降低资料量及计算量；         分割式分群法的目的是希望尽量减小每个群聚中，每一点与群中心的距离平方差（squareerror）。  假设我们现在有一组包含c个群聚的数据，其中第k个群聚可以用集合Gk来表示，假设Gk包含nk笔资料{x1,x2,…,xnk），此群聚中心为yk，则该群聚的平方差ek可以定义为：             ek=Si

3、xi-yk

4、2，其中xi是属于第k群的资料点。而这c个群聚的总和平方差E便是每个群聚的平方差总和：E=Sk=1~cek我们分群的方法，就变成是一个最

5、佳化的问题，换句话说，我们要如何选取c个群聚以及相关的群中心，使得E的值为最小。2．处理流程（1）  从c个数据对象任意选择k个对象作为初始聚类中心；（2）  循环（3）到（4）直到每个聚类不再发生变化为止；（3）  根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；（4）  重新计算每个（有变化）聚类的均值（中心对象）3.java算法的实现说明1)假设给点一组c点资料X={x1,...,xc}，每一点都有d维；给定一个群聚的数目k,求其     

6、最好的聚类结果。   2）BasicKMeans.java主类         intcoordCount=250;//原始的资料个树         intdimensions=100;//每个资料的纬度数目         double[][]coordinates=newdouble[coordCount][dimensions];   这里假设c点资料为coordinates对象，其中c为coordCount,d为dimensions相应值。         intmk=30;//想要群聚的数目 

7、   根据群聚数目定义mk个群聚类对象       mProtoClusters=newProtoCluster[mK];//见ProtoCluster类说明    //首先随机选取mk个原始资料点作为群聚类      mProtoClusters[i]=newProtoCluster(coordinates[j]);//i依此为0到mk的值；j为0到coordCount的值   定义一个变量用于记录和跟踪每个资料点属于哪个群聚类     mClusterAssignments=newint[coordC

8、ount];     mClusterAssignments[j]=i;//表示第j个资料点对象属于第i个群聚类    //开始循环    //依次调用计算每个群聚类的均值    mProtoClusters[i].updateCenter(mCoordinates);//计算第i个聚类对象的均值    //依次计算每个资料点到中心点的距离，然后根据最小值划分到相应的群集类中；   采用距离平方差来表示资料点到中心点的距离；    //定义一个变量，来表示资料点到中心点的距离    mDistanceCa

9、che=newdouble[coordCount][mk];     //其中mDistanceCache[i][j]表示第i个资料点到第j个群聚对象中心点的距离；     //距离算法描述():      a)依次取出每个资料点对象double[]coord=coordinates[i];         b)再依次取出每个群聚类中的中心点对象double[]center=mProtoClusters[j].mCenter;         c)计算coord对象与center对象之间的距离      

10、  doubledistance(double[]coord,double[]center){         intlen=coord.length;         doublesumSquared=0.0;         for(inti=0;i