量子聚类算法

本资源中包括聚类分析算法实现，基于时间序列分析的聚类算法实现，主要应用于股票时间序列等的数据分析，clustering-algorithms-master

心脏病预测 Heart Disease prediction using 5 algorithms - Logistic regression, - Random forest, - Naive Bayes, - KNN(K Nearest Neighbors), - Decision Tree then improved accuracy by adjusting different aspect of algorithms. 最终决策树 数据集来源（） 数据集创建者： 匈牙利心脏病研究所。 布达佩斯：医学博士Andras Janosi 瑞士苏黎世大学医院：医学博士William Steinbrunn 瑞士巴塞尔大学医院：医学博士Matthias Pfisterer VA医疗中心，长滩和克利夫兰诊所基金会：Robert Detrano，医学博士。 数据集信息： 该数据库

RCE Rapid Centroid Estimation (RCE) clustering (2014)：一种使用粒子群的半随机轻量级聚类算法。 示例用法： % 使用 Iris Dataset 的算法运行示例 清除所有关闭所有; % 加载虹膜数据集加载 iris_dataset X = 虹膜输入； N = size(irisInputs,2); % 将模糊器常数设置为 1.4 米 = 1.4; % 使用 80% 的重采样率和马氏距离优化群swarm = RCE(X, 3, 'distance','mahalanobis','fuzzifier',m, 'display','text', ... 'swarm',6, 'subsprob',0.03, 'maxiter',100,'resampling_rate',0.8,'calculate_labels', false);

em算法matlab代码EM集群 该代码在Matlab中实现了期望最大化算法 使用EM_main.m运行EM代码 可以通过“ cluster_data”变量提供用户群集数据，也可以使用代码中提供的综合数据进行测试。 使用变量“中心”（Centers）更改要分类为数据的中心的数量。 绘制标准pdf等值线所需的代码是从以下代码中借来的

em算法matlab代码带变分贝叶斯层次EM的隐马尔可夫模型聚类 隐马尔可夫模型（HMM）是一种广泛使用的用于表示时间序列数据的生成模型，而聚类HMM吸引了机器学习研究人员的浓厚兴趣。 但是，仍然难以确定集群中心的集群数（K）和隐藏状态数（S）。 在本文中，我们提出了一种新颖的基于HMM的聚类算法，即变分贝叶斯分层EM算法，该算法通过其密度和先验性对HMM进行聚类，并同时学习紧凑地表示每个聚类结构的新型HMM聚类中心的后验。 数字K和S以两种方式自动确定。 首先，我们在该对（K，S）上放置一个先验值，然后近似其后验概率，从中选择具有最大后验概率的值。 其次，当没有数据样本分配给它们时，一些簇和状态被隐式删除，从而导致模型复杂度的自动选择。 代码实施 该工具箱包含VBHEM-H3M的主要功能，并且基于Matlab。 其中包括 setup.m：设置工具箱的路径。 src： vbhem：VBHEM算法。 hmm：用于学习HMM的VBEM。 compare_mtds：本文使用的比较方法，CCFD，VHEM，DIC和PPK。 plots：用于绘制结果。 util：其他代码。 演示：使用VBHEM

传单标记群 为提供漂亮的动画标记聚类功能， 是用于交互式地图的JS库。 需要传单1.0.0 对于Leaflet 0.7兼容版本，请要获取与Leaflet 0.5兼容的版本，请 对于与Leaflet 0.4兼容的版本，请 目录 使用插件 使用您选择的方法，在页面的Leaflet文件之后添加插件CSS和JS文件。 使用unpkg CDN： https://unpkg.com/leaflet.markercluster@1.4.1/dist/ ：//unpkg.com/leaflet.markercluster@1.4.1/dist/ 使用npm install leaflet.markercluster ： npm install leaflet.markercluster 在每种情况下，请使用dist文件夹中的文件： MarkerCluster.css MarkerCluster

聚类方面的专门书籍、综述文章

数据分类经典参考资料，介绍聚类分析的原理，常用算法以及相关应用

激光点云欧式聚类算法