matlab系统聚类代码随机对战系列
RandomWarpingSeries（RWS）是用于生成时间序列矢量表示的简单代码，用于时间序列分类，聚类和回归。
该代码是WME中的WME的简单实现（Matlab，Matlab
MEX和C的混合）（Wu等人，“随机变形序列：用于时间序列嵌入的随机特征方法”，AISTATS'18）。
我们将有关RWS的更多信息引至以下论文链接：。
先决条件
为了运行此代码，至少有两个必需的工具包。
您需要下载DTW，LibLinear或LibSVM并为您的操作系统（Mac，Linux或Windows）编译相应的MEX文件。
对于DTW：
对于LibSVM：或LibLinear：
对于单变量时间序列数据集，您可以从UCR时间序列集合（）或UEA时间序列集合（）下载一些数据集。
对于多元时间序列数据集，您可以从UCI机器学习存储库（）或您喜欢的应用程序中下载一些数据集。
通常建议先将数据进行Z形式化处理，然后再将其提供给我们的时间序列嵌入代码。
如何运行代码
请注意，为了获得最佳性能，必须搜索超参数DMax，sigma甚至lambda_inverse（用于使用SVM
2023-02-21 23:20:38
24.16MB
1
四、最短距离聚类法
原理
最短距离聚类法，是在原来的m×m距离矩阵的非对角元素中找出 ，把分类对象Gp和Gq归并为一新类Gr，然后按计算公式
计算原来各类与新类之间的距离，这样就得到一个新的（m－1）阶的距离矩阵； 再从新的距离矩阵中选出最小者dij，把Gi和Gj归并成新类；再计算各类与新类的距离，这样一直下去，直至各分类对象被归为一类为止。
（3.4.10）
2023-01-08 23:24:15
390KB
1
matlab系统聚类代码Ng（斯坦福大学-Coursera）的机器学习课程资料
该代码在Matlab中实现，每个文件夹的内容显示如下：
第二周：线性回归
第三周：逻辑回归
第四周：多类分类和神经网络
第五周：神经网络学习
第六周：正则线性回归和偏差与方差
第7周：支持向量机
第8周：
K均值聚类和主成分分析
第9周：异常检测和推荐系统
2022-07-14 16:31:47
602.71MB
1
matlab系统聚类代码boxplot2.m：替代Matlab箱图
作者：凯利·科尔尼（Kelly
Kearney）
该存储库包含boxplot2.m
Matlab函数的代码，以及运行该函数所需的所有从属函数。
此功能旨在替代统计和机器学习工具箱中包含的boxplot.m功能。
原始的boxplot.m函数比大多数Matlab的绘制函数都要笨拙；
它用文本标签替换刻度线，更改轴尺寸等。此版本创建箱形图，并且对现有轴的更改量最小，并假定用户可以添加任何外观更改（颜色，刻度线标签，线规格等）之后，如有必要。
此外，此功能允许创建聚类的箱形图，类似于未堆叠的条形图。
请参阅下面的示例。
入门
先决条件
该软件需要（主要在R2012a-R2016a上测试）以及。
下载
Git用户可以直接从该存储库克隆（或先叉，然后克隆）。
或者，您可以从此页面或从MatlabCentral
FileExchange上下载此代码的压缩版本。
每天都会从该存储库更新File
Exchange条目。
安装
一旦下载（并在需要时解压缩），则主文件夹中的所有子文件夹都需要添加到您的Matlab路径中：
%
Replac
2022-03-30 16:39:45
15KB
1
matlab系统聚类代码LDS工具箱：用于线性动力系统（LDS）建模的Matlab工具箱
作者：
概述
线性动力系统（LDS）是在各种学科中对时空数据进行建模的基本工具。
尽管LDS具有丰富的建模功能，但分析LDS并非没有困难，这主要是因为LDS不符合欧几里得几何学，因此传统的学习技术无法直接应用。
具体而言，LDS应用参数方程式对时空数据进行建模。
从输入中获悉的最佳系统参数（即系统元组（A，C））用作每个时空序列的描述符。
使用此工具箱，您可以：1）通过各种方法学习任何给定序列的稳定LDS系统元组；
2）在LDS的空间上进行聚类或稀疏编码；
3）对时空数据（例如视频和触觉序列）进行分类。
如果您在工作中使用此工具箱，请引用以下论文：
@inproceedings
{huang2017efficiency，title
=
{线性动态系统的有效优化及其在聚类和稀疏编码中的应用。}，作者=
{Huang，Wenbing
and
Mehrtash，Harandi
and
Tong，Zhang
and
Lijie，Fan
and
Fuchun，Sun
and
Junzhou，Huang
}，
2022-03-09 23:08:06
92.66MB
1
matlab系统聚类代码
该项目将源代码托管到，并且是积极开发的地方。
FSDA
Toolbox:trade_mark:为统计人员，工程师，科学家，研究人员，财务分析师提供了一套全面的工具，用于评估和理解其数据。
灵活的统计数据分析工具箱:trade_mark:软件包括用于分析和建模数据，学与教统计的功能和交互式工具。
灵活的统计数据分析工具箱:trade_mark:支持一组例程，可对复杂的数据集（多变量，回归，聚类等）进行强大而有效的分析，从而确保输出不受模型假设的异常或偏差的影响。
此外，它提供了丰富的交互式图形工具集，使我们能够探索不同正向图的各种特征之间的联系。
所有Flexible
Statistics
Data
Analysis
Toolbox:trade_mark:功能均以开放的MATLAB:registered:语言编写。
这意味着您可以检查算法，修改源代码并创建自己的自定义函数。
有关FSDA中存在的功能的详细信息，您可以浏览MATLAB内部工具箱（一旦安装了FSDA）或在网址上的功能分类列表和字母顺序列表
FSDA
在检测数据潜在异常（异常值）时特别有用，即使它们是成组出现的。
可用于识别异构数据中的子组。
扩展了需要强大分析（集群分析，判别分析，模型选择，数据转换）的关键
2022-03-07 20:30:55
57.79MB
1