高维数据聚类 (HDDC) 工具箱包含用于高维数据的高效无监督分类器。 该分类器基于适用于高维数据的高斯模型。 参考：C. Bouveyron、S. Girard 和 C. Schmid，高维数据聚类、计算统计和数据分析，2007 年

针对高维数据聚类的问题，许多有效的方法已经被提出，级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间，从而取得非代表性的无意义特征，进而损害聚类性能。为了解决这一问题，提出了一种结合自编码器保留数据结构的改进算法。具体地说，使用聚类损失作为引导，分散特征空间数据点，同时采用一种欠完备的自动编码器作为重构损失，约束操作和维护数据生成分布的局部结构。将两者结合，共同优化聚类标签的分配，学习适合聚类的局部结构保留特征。使用自适应矩估计（Adam）和小批量随机梯度下降（mini-batch SGD）两种优化方法调整模型参数。在多个数据集上，使用聚类结果准确率（ACC）、标准互信息（NMI）和调整rand指数（ARI）三个评价指标验证了该算法的有效性和优越性。

fcm高维数据聚类.

DBSCAN是一种经典的基于密度的聚类技术，在发现任意形状的聚类和处理噪声方面广为人知。 但是，面对高维数据时，密度计算非常耗时，这使得它在许多领域都效率低下，例如多文档摘要，产品推荐等。因此，如何有效地计算高维数据的密度成为了基于DBSCAN的群集技术的一个关键问题。 在本文中，我们提出了一种基于DBSCAN的高维数据聚类的快速算法，称为Dboost。 在我们的算法中，一种名为WAND＃的分级检索技术改编被新颖地应用于改进密度计算而没有精度损失，并且我们通过减少WAND＃的调用时间来进一步提高了这种加速。 对电线电压数据，Netflix数据集和微博语料库进行了实验。 结果表明，线电压数据和Netflix数据集可实现50倍以上的加速，而微博客数据可望实现100倍以上的加速。