pca人脸识别算法matlab代码机器学习（MATLAB） - k均值聚类和主成分分析 斯坦福大学的机器学习课程。 介绍 我们将实现K-means聚类算法并将其应用于压缩图像。 并将使用主成分分析来找到面部图像的低维表示。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex7data1.mat ex7data2.mat ex7faces.mat 此仓库中包含的文件 ex7.m-用于K-means聚类的Octave / MATLAB脚本 ex7_pca.m-PCA的Octave / MATLAB脚本 ex7data1.mat-PCA的示例数据集 ex7data2.mat-K均值的示例数据集 ex7faces.mat-面Kong数据集 bird_small.png-示例图像 displayData.m-显示存储在矩阵中的2D数据 drawLine.m-在现有图形上画一条线 plotDataPoints.m-K均值质心的初始化 plotProgresskMeans.m-绘制K-means的每一步 runkMeans.m-运行K-means算法

k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

标准扫描 这是 RapidMiners 原生 DBSCAN 算法的扩展。 输入 虽然在经典的 DBSCAN epsilon 用于确定两个与密度相关的点之间的最大距离，但此修改引入了 ** epsilon_space ** 和 ** epsilon_time **。 这允许您根据地理以及所有时间距离对数据进行聚类。 此外，可以从多个维度中选择此输入参数，例如空间的米、公里等，以及时间距离的秒、分、小时等。

聚类就是对大量未知标注的数据集，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小; 对相似的文档或超链接进行聚类，由于类别数远小于文档数，能够加快用户寻找相关信息的速度;

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

一种模糊聚类算法MATLAB，能够将矩阵的元素按照一种聚类的方式重新排列

周围计算matlab代码DLORE-DP Dense Members of Local Cores-based Density Peaks Clustering Algorithm DLORE_DP.m 的 matlab 代码和合成数据集包括 DLORE-DP 算法（手稿的算法 4），CoreSearch_supk.m 包括算法 2 和算法 3。使用 DP.m集群本地核心。 drawcluster2 用于绘制聚类结果。 SNNDPC2.m 包含我们在实验中比较的 SNN-DPC 算法。 合成数据集 pacake 包括我们在实验中使用的合成数据集

K-Means动态聚类算法源程序，K-means算法进行了重点分析，K-means算法是最为经典的根据聚类中的均值进行聚类划分的聚类算法

Data-Mining-Project-2014- 这个存储库包含我的学术课程“数据挖掘”项目的文件。 该项目涉及使用 K-Means 聚类算法进行聚类。 该项目的主要目的是了解聚类并应用 K-Means 聚类算法对数据进行聚类。 数据包括主要赛事的各种网球比赛的结果。 首先，我们应用特征减少来减少数据的字段，然后应用 K-Means 算法。 程序运行的先决条件是： Hadoop 2.3.0 所有节点上的多节点集群设置 程序运行并相应地将数据集划分为 3 个集群：- 低获胜机会 中奖机会 高获胜机会

针对私人微博内容进行聚类研究，结合私人微博的内容和结构特点提出了基于K-means的改进聚类算法。通过添加引用和评论内容丰富了文本内容，降低了短文本矩阵向量严重稀疏性带来的聚类算法准确性降低的影响；通过甄别“微话题”内容和改进相似度的计算，找到初始化类别并进行初步计算得到合适的类别数目和初始中心点，解决了K-means算法中聚类数目K需人工指定和初始中心点选取随机性的问题。实验结果表明，改进后的算法不仅可以自适应地得到K值，较普通的K-means算法在聚类的准确率上有所提高。