基于Kmeans+Canopy聚類的協(xié)同過(guò)濾算法代碼實(shí)現(xiàn)（輸出聚類計(jì)算過(guò)程，分布圖展示）

聚類(Clustering)就是將數(shù)據(jù)對(duì)象分組成為多個(gè)類或者簇 (Cluster)，它的目標(biāo)是：在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大。所以，在很多應(yīng)用中，一個(gè)簇中的數(shù)據(jù)對(duì)象可以被作為一個(gè)整體來(lái)對(duì)待，從而減少計(jì)算量或者提高計(jì)算質(zhì)量。

一、Kmeans+Canopy聚類算法實(shí)現(xiàn)原理

影響Kmeans聚類算法結(jié)果的因素有距離閥值、初始簇的選擇、遍歷次數(shù)，其中距離閥值和遍歷次數(shù)可通過(guò)不斷測(cè)試來(lái)實(shí)現(xiàn)最佳，但是初始簇的選擇如果是隨機(jī)選擇，每次運(yùn)行的結(jié)果差別可能會(huì)很大，使用Canopy聚類算法用于K均值聚類算法的預(yù)處理，用來(lái)找合適的k值和簇中心效果較好。

本文主要是java語(yǔ)言實(shí)現(xiàn)，1000個(gè)點(diǎn)（本文是二維向量，也可以是多維，實(shí)現(xiàn)原理和程序一樣），程序運(yùn)行過(guò)程中會(huì)輸出每一次遍歷點(diǎn)的簇中心，和簇中包含的點(diǎn)，并將最終結(jié)果通過(guò)插件在html中顯示。

二、Kmeans+Canopy聚類算法實(shí)現(xiàn)部分步驟

將本地文件讀取到點(diǎn)集合中：

三、Kmeans+Canopy聚類算法實(shí)現(xiàn)結(jié)果

1、Canopy運(yùn)算結(jié)果：

2、Kmeans+Canopy運(yùn)算結(jié)果：

3、分布圖：

需要源代碼的朋友可聯(lián)系我們，也可以留言、私信交流。