Kmeans作业

环境配置

java环境，使用原生的Java UI组件JPanel和JFrame

算法原理

基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。

该实验产生的点为二维空间中的点。

欧式距离

n维空间中的两个点X，Y

dist(X,Y)=∑i=1n(xi−yi)2dist(X, Y) = \sqrt{\sum_{i = 1}^{n} (x_{i} - y_{i})^{2}}dist(X,Y)=∑i=1n(xi−yi)2

算法过程

选择k，聚类的数量。
选择k个点作为聚类中心。
对每个样本点计算到k个聚类中心的距离，采用的是欧氏距离，将其分类到距离最近的类别中。
根据每个类别，计算被分类在该类别中的所有点的中心。
如果计算出来的中心和聚类中心相同，则退出循环，否则以新的计算出来的中心为每个聚类的聚类中心，不断重复3 - 4步。

核心代码

设定K

/*Step按钮的监听器*/
jButton2.addActionListener(new ActionListener() {public void actionPerformed(ActionEvent ae) {painting.assign();painting.updateCentroids();/*算法终止的话让按钮变灰并提示算法结束*/if (painting.stop(num++)) {jButton2.setText("End");jButton2.setEnabled(false);}painting.repaint();}
});

计算欧式距离

/*欧式距离*/
double Euc(Point p1, Point p2) {double distance = 0.0;for (int i = 0; i < Dimension; ++i)distance += (p1.x[i] - p2.x[i]) * (p1.x[i] - p2.x[i]);return Math.sqrt(distance);
}

更新中心点

/*更新中心点*/
void updateCentroid(int clusterNum) {//将newCluster数组的那个中心点置空for (int i = 0; i < Dimension; ++i)newCluster[clusterNum].x[i] = 0;int clusterSize = 0;for (int i = 0; i < Nodes; ++i)if (p[i].cluster == clusterNum) {//这个簇中有多少点clusterSize++;for (int j = 0; j < Dimension; ++j)newCluster[clusterNum].x[j] += p[i].x[j];}if (clusterSize == 0)return;for (int i = 0; i < Dimension; ++i)newCluster[clusterNum].x[i] /= (double) clusterSize;
}

计算每个点的分类

/*分配数据点到哪个簇*/
void assignPoint(int x) {double minDistance = 99999999;int nodeClassify = 1;for (int i = 0; i < K; ++i) {//计算欧式距离double newDistance = Euc(p[x], newCluster[i]);if (newDistance < minDistance) {minDistance = newDistance;nodeClassify = i;}}p[x].cluster = nodeClassify;
}

判断终止条件

/*判断算法是否终止*/
Boolean stop(int currentTime) {//超过迭代次数if (currentTime > range) {int num = 1;System.out.println("超过迭代次数");for (Point i : oldCluster) {System.out.println("中心点" + num + "坐标：(" + i.x[0] + "," + i.x[1] + ")");num++;}return true;}/*如果每一个中心点都与上一次的中心点相同，则算法终止，否则更新oldCentroid*/for (int i = 0; i < K; ++i)if (!samePoint(oldCluster[i], newCluster[i])) {for (int j = 0; j < K; ++j)copy(oldCluster[j], newCluster[j]);return false;}int num = 1;System.out.println("迭代完成");for (Point i : oldCluster) {System.out.println("中心点" + num + "坐标：(" + i.x[0] + "," + i.x[1] + ")");num++;}return true;
}

实验结果

点击start之后，产生新的随机点与初始聚类中心

点击step，将每一步的迭代展示出来，这里展示了4步，从左上角的图开始。

Java实现的基于欧式距离的聚类算法的Kmeans作业相关推荐

1.（基于欧式距离聚类实现的点云分割）
首先在获取的大场景范围下,点云中不可避免地存在大量的噪声信息,为了防止这些噪声点在对点云数据进行特征提取时造成干扰,对点云数据进行预处理排除噪声干扰.噪声通常是个数较少且散乱分布的离群点,以前尝试过先 ...
基于欧式距离分类问题的数据标准化处理
机器学习中的分类模型,有一些是基于欧式距离的,如K-means模型.当样本的特征较多时, 即使上万的数据分布在较高维数空间中,其样本仍会显得比较稀疏. 为了不使得样本间的距离过大,需要对数据进行标准化 ...
基于改进层次凝聚聚类算法的垃圾收运跨区域调度策略
1引言: 垃圾收运的各个环节是控制垃圾回收成本的关键,当前分区域运营模式存在以下问题: 运营成本高:分区域运营模式限制了城市生活垃圾收集和运输的各个环节.从一个区域的特定街道收集的垃圾只能在该区域街道 ...
WKmeans一种基于特征权重的聚类算法
1 引例在前面两篇文章中,我们首先介绍了KmeansKmeansKmeans聚类算法的原理:然后又介绍了一种基于KmeansKmeansKmeans进行改进的Kmeans++Kmeans++Kmea ...
[Python从零到壹] 六十一.图像识别及经典案例篇之基于纹理背景和聚类算法的图像分割
祝大家新年快乐,阖家幸福,健康快乐! 欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所 ...
java计算机毕业设计基于ssm的协同过滤算法的电影推荐系统(源代码+数据库+Lw文档）
项目介绍 "互联网+"的战略实施后,很多行业的信息化水平都有了很大的提升.但是目前很多行业的管理仍是通过人工管理的方式进行,需要在各个岗位投入大量的人力进行很多重复性工作,使得对人 ...
【聚类算法】基于matlab改进的粒子群算法优化K-means算法【含Matlab源码 1946期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[聚类算法]基于matlab改进的粒子群算法优化K-means算法[含Matlab源码 1946期] 点击上面蓝色字体,直接付费下载,即可 ...
聚类算法：K-Means
1.K-Means定义: K-Means是一种无监督的基于距离的聚类算法,简单来说,就是将无标签的样本划分为k个簇(or类).它以样本间的距离作为相似性的度量指标,常用的距离有曼哈顿距离.欧几里得距离 ...
机器学习实战（Machine Learning in Action）学习笔记————06.k-均值聚类算法（kMeans）学习笔记...
机器学习实战(Machine Learning in Action)学习笔记----06.k-均值聚类算法(kMeans)学习笔记关键字:k-均值.kMeans.聚类.非监督学习作者:米仓山下时 ...

Java实现的基于欧式距离的聚类算法的Kmeans作业