基于密度的聚类算法optics（matlab程序）。官方程序，亲测好用，欢迎下载。

本文于cloud.tencent.com，介绍了典型算法，CLIQUE聚类算法，WaveCluster算法，WaveCluster聚类算法等。俗话说：“物以类聚，人以群分”，在机器学习中，聚类算法是一种无监督分类算法。聚类算法很多，包括基于划分的聚类算法（如：kmeans），基于层次的聚类算法（如：BIRCH），基于密度的聚类算法（如：DBScan），基于网格的聚类算法等等。基于划分和层次聚类方法都无法发现非凸面形状的簇，真正能有效发现任意形状簇的算法是基于密度的算法，但基于密度的算法一般时间复杂度较高，1996年到2000年间，研究数据挖掘的学者们提出了大量基于网格的聚类算法，网格方法可以有

针对传统无功电压聚类分区后各分区中枢点较难定量分析确定的问题，从先定量判别出整个电网的中枢节点再完成无功电压分区的角度，提出将电网所有PV节点松弛为PQ节点，由注入电流形式的潮流方程计算出全网电压越限节点，利用越限节点电压与电网其余节点电压间的线性灵敏度不断校正直到全网节点电压不再越限，通过进一步潮流计算校验，确定所有中枢节点。将全网中枢点数目确定为应划分成的分区数，以节点电压与节点注入无功电流之间的线性灵敏度为无功电压标度，建立无功源控制空间，引入云聚类算法，完成全网节点从无功源控制空间向云模型的转换，进而由云发生器完成以所定中枢点为中心的电网所有节点的聚类软划分。IEEE 14、IEEE 30节点输电网络仿真测试结果，验证了所提方法的有效性。

基于豆瓣电影用户数据使用Canopy+K-means聚类的协同过滤推荐 更新对比实验、豆瓣热门电影数据集

摘要：针对传统配电网区域规划方法无法满足实际需求，而基于传统聚类算法的配电网区域规划方法存在着初始聚类中心选取不合理和聚类个数不确定的问题。文中对传统K-mea

中科院仪器设备共享管理平台（以下简称为SAMP）系统有效解决了各科研单位间仪器设备管理封闭、共享困难和运行效率低的棘手问题.同时，可以及时了解各类仪器的使用情况、共享情况，为各级业务主管部门展开科学高效的管理工作提供良好的决策依据.当SAMP系统应用数据库中存储的数据量达到百万级时，对数据库中预约表和用户表（或仪器表）进行连接查询时，将导致数据表查询性能的下降，从而影响整个SAMP系统的性能.目前主流的解决方案是采用Hash取模算法对数据表进行水平切分，但预约表中的主键为自动递增的整数，并没有实际意义，所以优化效果不理想.由于预约的用户和被预约的仪器在地理区域上呈现一定的聚集性，因此本文提出了一种基于K-means聚类算法的分表策略，采用该策略能够将预约表的查询性能提升至少70%.

在c语言环境下实现的聚类算法代码，主要应用在大数据领域

AP聚类算法的源代码，基于matlab程序，有较详细解说 AP聚类算法的源代码，基于matlab程序，有较详细解说

使用三种具有代表性的聚类分析算法对鸢尾花数据集进行聚类分析，分别为层次方法、DBSCAN 方法与K-means 方法。接着使用三个评价指标对聚类的结果进行评价，分别为准确度、运行时间、轮廓系数。本程序包含python程序、实验报告与鸢尾花数据集文件。是本人亲手写的作业且获得高分。层次方法在此数据集上准确度最佳，DBSCAN 方法运行时间最短，层次与 K-means 方法都取得了较高的轮廓系数值。亲手资源，保证一手！

python实现机器学习K-means聚类算法.zip对数据进行聚类并绘图。原理 ​ K-means算法属于八大经典的机器学习算法中的其中一种，是一种无监督的聚类算法。其中无监督是机器学习领域中一个专业名词，和有监督是相对的，两者最本质的区别就在于研究的样本是否包含标签。比如猫狗分类这个问题中，猫和狗就是标签。对于聚类，其实是和分类相对应的，其中分类就是之有标签的。而聚类则是只没有标签的，我们需要将这些无标签的数据，按照各自的属性将他们会聚成不同的类别，从而将他们区分开。 ​ 在k-means算法中，存在着质心和簇。在进行算法之前，我们需要人工的指定将数据分为K个簇，并随便选取K个质心。就拿认知实习学习中的例子举例，假如我们又8个数据，分别为a1-a8，我们需要将这八个数据分为三个簇，也就是说k=3。这是我们就需要在a1-a8中随机选取三个数据点作为质心我们将质心记为b11，b12，b13。确定了质心后，我们需要计算a1-a8和三个质心的距离，并将距离最短的归为一类。比如a5到b11距离为2，到b12距离为3，到b13距离为1，那么就将a5和质心b13归为同一个簇。如此一次计算8个数