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

主要用的numpy库实现的，其中数据点的生成可以看我另外一个作业模式识别作业:....聚类设计那个用来生成数据

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

使用聚类算法对连续状态空间进行自适应离散化,得到了基于K-均值聚类的强化学习方法.该方法的学习过程分为两部分:对连续状态空间进行自适应离散化的状态空间学习,使用K-均值聚类算法;寻找最优策略的策略学习,使用替代合适迹Sarsa学习算法.对连续状态的强化学习基准问题进行仿真实验,结果表明该方法能实现对连续状态空间的自适应离散化,并最终学习到最优策略.与基于CMAC 网络的强化学习方法进行比较,结果表明该方法具有节省存储空间和缩短计算时间的优点.

欢迎。 该存储库包含基于Matlab的“ GBK-means聚类算法的实现：基于讨价还价博弈的K-means算法的改进”。 在该存储库中，提供了GBK-means聚类算法的源代码，并将其与两种众所周知的聚类算法K-means和Fuzzy cmeans进行比较。 关于通用有效性指标，已经对人工和现实世界的数据集进行了比较。 提出的方法是一种新的机制，用于解决集群中心相互竞争以吸引最多数量的相似对象或实体进入其集群的集群分析问题。

利用K均值聚类IRIS数据，包括两个程序： 一、基于欧氏距离聚类 二、基于余弦距离聚类 二者聚类效果不同，输出结果包括：轮廓图、聚类结果可视化（标注明聚类错误样本）、聚类正确率。

C语言实现了K均值算法，包含两个文件，一个是纯C++语言版本的，可直接运行，另一个是C和Matlab混合版本，图形化运行结果，能够以不同颜色标识不同的聚类，用的是matlab引擎，代码已经写好，只是需要用户自己在集成开发环境如Visual Stuio中配置一些引用matlab的环境，具体配置可参考网上的matlab和C引擎混合。

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。