提出一种连续属性值域划分的离散化新方法，该方法定义一个新的离散化函数，依据类与属性之间的相互依赖关系选择最优的离散区间列表；此外，采用变精度粗糙集理论合理地控制数据离散化产生的信息丢失，减少分类错误。仿真结果和统计分析表明，提出的方法有较好的C5.0决策树分类能力。

MAT2TILES 基本上是 mat2cell 的包装器，但当您只是尝试将 N 维数组分解为相等大小的块时，它具有更方便的接口。 它将所需的块大小作为输入参数，而 mat2cell 则不然。 当您只想沿特定尺寸平铺时，MAT2TILES还提供了一些便捷的快捷方式（请参见下文）。 用法： C=mat2tiles(X,D1,D2,D3,...,Dn) C=mat2tiles(X,[D1,D2,D3,...,Dn]) 将生成一个包含数组 X 的相邻块的元胞数组 C，每个块的维度为 D1xD2xD3x...xDn。 如果维度 Di 没有均匀划分为 size(X,i)，则沿维度 i 的 X 上边界的块将被截断。 允许为 Di 赋予值 Inf。 这样做后，就相当于设置了 Di=size(X,i)。 如果您只想沿某些数组维度进行平铺，这将非常有用。 示例1：将一个28x28矩阵拆分为4x7子矩阵>> A

1204 GB T 20939-2007 技术产品及技术产品文件结构原则 字母代码 按项目用途和任务划分的主类和子类

数据中中包含了大量对图像分割没有意义的数据，因此这里对原始数据集进行有效数据的提取。并且将有效数据集再次进行训练集 + 测试集的划分 注：log 训练文件较大，为了方便上传，这里删去不重要的train结果

对传统的K-平均算法作了简单的介绍和讨论，提出了一种具有单纯型法思想的K-中心点轮换法。分别对比了K-均值算法与K-中心点轮换算法的时间复杂度，针对K-中心点轮换算法的时间复杂度提出了一种基于抽样原理的改进算法，并对K-中心点轮换算法聚类数目的选择进行了各种改进方法的探索。同时，基于主流的weka开源数据挖掘工具实现了改进算法。实验结果表明了算法的有效性。

梅蒂斯4 METIS 是一组用于划分图、划分有限元网格和为稀疏矩阵生成填充减少排序的串行程序。 更多信息： : 这个 fork 只是增加了 CMake 支持。

跳跃链表链表的一种可以分为几层 每层可插入数据，采用c++编写 比单链表复杂

比较传统的一种区分校正集和验证集的方法，适合新手

json文件，包含全国各省市的区域划分，可用于选择城市地区的开发。

将二部图模型引入聚类集成问题中,使用二部图模型同时建模对象集和超边集,充分挖掘潜藏在对象之间的相似度信息和超边提供的属性信息.设计正则化谱聚类算法解决二部图划分问题,在低维嵌入空间运行K-means++算法划分对象集,获得最终的聚类结果.在多组基准数据集上进行实验,实验结果表明所提出方法不仅能获得优越的结果,而且具有较高的运行效率.