论文《聚类算法研究》

关联规则和聚类分析是数据挖掘中重要的研究课题。通过对关联规则挖掘算法Apriori算法进行分析与研究，指出了其在实用中存在的两个主要问题。鉴于此，在分析聚类分析和关联规则两种挖掘算法的基础上，讨论了将

K均值聚类算法是目前一种较好的文本分类算法，算法中的相似度计算通常基于词频统计，小文档或简单句子由于词频过小，使用该算法聚类效果较差。为此，提出了一种基于词语关联度的相似度计算算法，对简单文档集执行

文本聚类在很多领域都有广泛应用,而聚类算法作为文本聚类的核心直接决定了聚类的效果和效率。结合基于划分的聚类算法和基于密度的聚类算法的优点,提出了基于密度的聚类算法DBCKNN。算法利用了k近邻和离群度

Abstract—Clusteringfaceimagesaccordingtotheirlatentidentityhastwoimportantapplications:(i)groupinga

针对标题文本聚类中的聚类结果不稳定问题，提出一种基于聚类融合的标题文本聚类方法。该方法对标题文本的特征词进行筛选，将标题文本转化为特征词集合；提出基于统计和语义的相似度计算方法，计算特征词集合间的相似

AffinityPropagation(AP)聚类是最近在Science杂志上提出的一种新的聚类算法。它根据N个数据点之间的进行聚类,这些相似度可以是对称的,即两个数据点互相之间的相似度一样(如欧氏距

聚类算法思维导图

使用VC++6.0实现的分级聚类算法

目前有多种聚类算法,本程序是利用谱聚类算法进行聚类划分

是一个完整的工程文件，包含了debug版的exe，和release版的exe，可直接运行，源代码有注释，主要实现了K均值聚类和isodata迭代自组织聚类，使用的数据是随机产生的50个点，可以用来熟悉