程序中包含了fisher的MATLAB程序，以及实验所用的数据。能够对实验中提供的二维数据进行正确的分类。

TSNE降维 降维就是用2维或3维表示多维数据（彼此具有相关性的多个特征数据）的技术，利用降维算法，可以显式地表现数据。（t-SNE）t分布随机邻域嵌入 是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。 python代码 km.py #k_mean算法 import pandas as pd import csv import pandas as pd import numpy as np #参数初始化 inputfile = 'x.xlsx' #销量及其他属性数据 outputfile = 'x_1.xlsx' #保存结果的文件名 k = 2

使用矩阵方法对高维数据降维

kmeans聚类：一维数据的kmeans聚类算法的实现

为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析(PCA)法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和误差收敛速度进行分析。仿真结果显示:先降维再采用扰动BP网络进行高维数据分类可大大提高数据的分类精度和训练速度。

EM算法逼近GMM参数针对二维数据点的python实现。 GMM即高斯混合模型，是将数据集看成是由多个高斯分布线性组合而成，即数据满足多个高斯分布。EM算法用来以迭代的方式寻找GMM中个高斯分布的参数以及权值。GMM可以用来做k分类，而混合的高斯分布个数也就是分类数K。

三维数据场可视化，唐泽圣编著，有需要的下载吧。

三维数据场可视化 唐泽圣 清华大学出版社

用三维激光扫描仪采集的三维数据，并且已经转换为mesh格式，没有激光扫描仪的可以下载下来处理一下

针对高维数据聚类的问题，许多有效的方法已经被提出，级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间，从而取得非代表性的无意义特征，进而损害聚类性能。为了解决这一问题，提出了一种结合自编码器保留数据结构的改进算法。具体地说，使用聚类损失作为引导，分散特征空间数据点，同时采用一种欠完备的自动编码器作为重构损失，约束操作和维护数据生成分布的局部结构。将两者结合，共同优化聚类标签的分配，学习适合聚类的局部结构保留特征。使用自适应矩估计（Adam）和小批量随机梯度下降（mini-batch SGD）两种优化方法调整模型参数。在多个数据集上，使用聚类结果准确率（ACC）、标准互信息（NMI）和调整rand指数（ARI）三个评价指标验证了该算法的有效性和优越性。