IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） 入侵杂草优化算法是一种模拟自然界杂草殖民过程的一种新型智能优化方法，具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，目前，入侵杂草优化算法已被成功应用到许多领域。但该算法本身也存在着易陷入局部最优，后期寻优精度不高等缺陷，大大地限制了入侵杂草优化算法的应用范围。针对入侵杂草优化算法存在的寻优精度不高和早熟现象，提出了利用杂草算法的种群多样性进行全局搜索，同时用复合形的反射、延伸、压缩等运算产生一个新解替代当前种群中最差的个体来进行局部搜索，可有效地避免算法早熟现象，同时提高了算法的寻优精度，增加算法的收敛速度。 IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab）

基于密度峰值的聚类算法，matlab官方程序。

【数据描述】 经典机器学习算法练手聚类数据集，csv格式，存储了3000余组坐标点数据（x，y），可用于sklearn或普通python实现KMeans聚类，回归等任务 【使用说明】 建议python使用pandas进行数据导入，再使用python进行数据分析以及聚类等，也可以通过自己生成训练集与测试集的方式完成数据划分

基于python的高斯混合模型（GMM 聚类）的 EM 算法实现

列联表的作用是分析定类变量和定类变量之间有无关系； 优点：不需要确定因变量和自变量； 缺点：卡法检验对三维和三维以上列联表资料的分析有一定的困难，即对混杂变量的控制较为困难。 此篇文章具体讲述了如何对四维、多维与更高维度列联表进行降维处理。

机器学习聚类算法及实现，掌握K-means聚类的使用思路和使用方法

周围计算matlab代码基于自适应密度的无监督高光谱遥感图像聚类 这个 repo 包含我对我们的论文“基于自适应密度的无监督高光谱遥感图像聚类”的实现。 执行 这些代码最初来自于 Science 2014 的“Clustering by fast search and find of density peaks”。我大量修改了 matlab 实现以加快和修改基于我们论文的参数设置和算法框架。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @article{xie2018unsupervised, title={Unsupervised hyperspectral remote sensing image clustering based on adaptive density}, author={Xie, Huan and Zhao, Ang and Huang, Shengyu and Han, Jie and Liu, Sicong and Xu, Xiong and Luo, Xin and Pan, Haiyan and Du, Qian and Tong, Xi

基于密度峰值的快速聚类算法在matlab中的实现

人工智能与大数据中的聚类算法，聚类分析是一种重要的人类活动。早在孩提时代，人就通过不断改进下意识中的聚类模式来学会如何区分猫和狗，动物和植物。

为改善传统聚类算法在电力时序数据上的聚类效果，提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点，合理优化谱聚类算法中特征向量的提取过程，避免传统方法可能造成的数据信息缺失问题；采用遗传聚类优化算法对优选后的特征向量进行聚类划分，并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例，对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明，所提算法分类效果显著，有较高的聚类质量和算法稳健性，具有工程应用前景。