Ta上传的资源 (0)

理解和掌握ISODATA聚类算法的基本流程。 –K-均值算法通常适合于分类数目已知的聚类,而ISODATA算法则更加灵活; –从算法角度看,ISODATA算法与K-均值算法相似,聚类中心都是通过样本均值的迭代运算来决定的; –ISODATA算法加入了一些试探步骤,并且可以结合成人机交互的结构,使其能

对应我上传的bayes代码的数据集,三个txt文件,把它放在bayes代码的同层目录下。数据集数据集数据集数据集

当不同类别的样本在分布上有交迭部分的,分类的错误率主要来自处于交迭区中的样本,如下图所示。当我们得到一个作为识别用的参考样本集时,由于不同类别交迭区域中不同类别的样本彼此穿插,导致用近邻法分类出错。因此如果能将不同类别交界处的样本以适当方式筛选,可以实现既减少样本数又提高正确识别率的双重目的。为此可

当不同类别的样本在分布上有交迭部分的,分类的错误率主要来自处于交迭区中的样本,如下图所示。当我们得到一个作为识别用的参考样本集时,由于不同类别交迭区域中不同类别的样本彼此穿插,导致用近邻法分类出错。因此如果能将不同类别交界处的样本以适当方式筛选,可以实现既减少样本数又提高正确识别率的双重目的。为此可

K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性

1.理解掌握K-means聚类算法的基本原理； 2.学会用python实现K-means算法 K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一

–K-均值算法通常适合于分类数目已知的聚类，而ISODATA算法则更加灵活； –从算法角度看，ISODATA算法与K-均值算法相似，聚类中心都是通过样本均值的迭代运算来决定的； –ISODATA算法加入了一些试探步骤，并且可以结合成人机交互的结构，使其能利用中间结果所取得的经验更好地进行分类。