lshhdc:集合和点的基于 LSH 的高维聚类

5星

浏览量: 0

大小:None

文件类型：ZIP

简介：
该方法利用局部敏感哈希技术实现高维数据聚类。与传统哈希函数的不同之处在于，传统的目标是实现数据的高效存储和快速查找，而LSH的主要目的是通过高概率将相近的数据点映射到相同的哈希值。这一技术方案的主要应用场景之一便是聚类分析。在Rajamaran所著的《海量数据集的挖掘》中提到：对于给定的参数集合（d₁, d₂, p₁, p₂），如果数据点之间的距离满足特定条件，函数族F则被定义为对该参数组合具有敏感性。具体而言，如果两个数据点之间的实际距离d(x,y)小于等于d₁，则它们有至少p₁的概率会被映射到相同的哈希值；而当两者的距离大于等于d₂时，这种概率将不超过p₂。

全部评论 (0)

还没有任何评论哟~

客服

DBSCAN_Pointcloud.rar_DBSCAN三维点云_点云聚类_三维聚类

优质

本资源包含基于DBSCAN算法应用于三维点云数据的聚类分析代码和文档，适用于研究和处理大规模复杂场景下的点云分割与分类问题。使用DBSCAN聚类算法对三维点云进行聚类分析。

基于GMM的高斯混合模型聚类

优质

本研究探讨了利用高斯混合模型（GMM）进行数据聚类的方法，通过优化参数实现复杂数据结构的有效分割与分析。 Purdue大学的一位教授编写了一个关于高斯混合模型的库，并附带了我封装的一个接口(GMM.c)以及作者撰写的使用手册PDF。

基于Matlab的高斯混合聚类实现

优质

本项目利用MATLAB编程环境实现了高斯混合模型(GMM)的聚类算法，旨在为数据集提供高效的分类解决方案。通过该工具可以便捷地进行数据分析和模式识别。使用Matlab实现高斯混合聚类，并以鸢尾花数据集为例进行演示。最终结果将以绘制的聚类图和高斯混合图的形式展示出来。

基于Matlab的三维点云Mean Shift聚类算法

优质

本研究在MATLAB环境下实现了一种针对三维点云数据的Mean Shift聚类算法，有效提升了大规模复杂场景下的目标分割和识别精度。针对点云数据进行Mean shift聚类时，可以通过调整聚类算法的阈值以及搜索半径来实现不同的聚类效果。示例代码可在文件test.m中运行。

二维的聚类数据集

优质

简介：本项目专注于研究和分析在二维空间中的聚类问题，探索不同算法在处理平面内点群聚集现象的有效性和局限性。用于聚类方法的数据集包含不同数量的块状、月牙形、同心环形及螺旋形分布样本。这些数据集适用于K-means、谱聚类等多种聚类算法的测试。

粗集聚类：基于粗糙集理论的聚类方法

优质

《粗集聚类：基于粗糙集理论的聚类方法》一文探讨了利用粗糙集理论改进传统聚类算法的新路径，旨在提高数据分类的准确性和效率。使用粗糙集进行聚类的Python实现 ### 说明 - 整数特征的粗糙聚类：请参见 README_rough_sets 文件。 - 浮点特征的粗糙K均值聚类：请参见 README_rough_kmeans 文件。 ### 输入两种算法都接受一个字典作为输入，包含 : 列表对（整型或浮点型特征）的形式。 ### 用法 - testsrough_clustering_tests.py - 示例使用和测试已知的二分类聚类问题，在UCI Statlog 数据集中用于信用风险的数据集。 - testsrough_kmeans_tests.py - 浮动特性的粗糙K均值算法示例。

用于聚类和分类的数据集

优质

本数据集包含各类结构化信息，旨在支持机器学习中的聚类与分类任务，适用于研究、模型训练及算法测试等场景。在进行聚类或分类分析时，经典的测试数据集对于评估所设计算法的效果非常重要。我上传的数据集格式为.mat文件，可以通过load命令来加载这些数据集。

基于聚类算法的二维坐标数据集分类分析

优质

本研究利用聚类算法对二维坐标数据进行有效分类和分析，旨在揭示数据内在结构与模式。通过实验验证了该方法在数据挖掘中的应用价值。使用birch、Kmeans、Kmeans++ 和 KNN 四种聚类算法对同一个二维坐标数据集进行聚类分析的Python代码示例。

基于BIC的GMM聚类簇数确定.zip_BIC准则_GMM聚类_高斯混合模型

优质

本研究探讨了利用贝叶斯信息准则（BIC）确定高斯混合模型（GMM）中最佳聚类数量的方法，提出了一种有效的GMM聚类策略。通过贝叶斯信息准则来确定高斯混合聚类方法中的聚类簇数。