1. 程式人生 > >譜聚類演算法 matlab

譜聚類演算法 matlab

1、譜聚類演算法步驟公式
(1)整理資料集,使資料集中資料在0-1之間。假設資料集m行n列。
(2)求鄰接矩陣W。元素值為每一點到其他點之間距離,即權重。
(3)求相似度矩陣S,相似度矩陣的定義。相似度矩陣由權值矩陣得到,實踐中一般用高斯核函式(也稱徑向基函式核)計算相似度,距離越大,代表其相似度越小。(這裡我認為相似度矩陣與鄰接矩陣一個概念,鄰接矩陣即在圖中表示頂點之間相鄰關係的矩陣,因此這裡用相似度矩陣表示該圖頂點之間的相互關係)

(4)求度矩陣D。把的每一列元素加起來得到個數,然後把它們放在對角線上(其它地方都是零),組成一個的對角矩陣,記為度矩陣。
(5)求拉普拉斯矩陣L。使用Normalized相似變換 L=I-D-(1/2)SD-(1/2) (I單位矩陣)
(6)求出L的最小的k個特徵值和對應的特徵向量V

(7)將特徵向量V進行kmeans聚類(少量的特徵向量),得到m行1列的矩陣,即分類結果。

2、譜聚類演算法matlab實現
function C = spectral(W,sigma, num_clusters)
% 譜聚類演算法
% 使用Normalized相似變換
% 輸入  : W              : N-by-N 矩陣, 即連線矩陣
%        sigma          : 高斯核函式,sigma值不能為0
%        num_clusters   : 分類數
%
% 輸出  : C : N-by-1矩陣 聚類結果,標籤值
%
    format long
    m = size
(W, 1); %計算相似度矩陣 相似度矩陣由權值矩陣得到,實踐中一般用高斯核函式 W = W.*W; %平方 W = -W/(2*sigma*sigma); S = full(spfun(@exp, W)); % 在這裡S即為相似度矩陣,也就是這不在以鄰接矩陣計算,而是採用相似度矩陣 %獲得度矩陣D D = full(sparse(1:m, 1:m, sum(S))); %所以此處D為相似度矩陣S中一列元素加起來放到對角線上,得到度矩陣D % 獲得拉普拉斯矩陣 Do laplacian, L = D^(-1/2) * S * D^(-1/2)
L = eye(m)-(D^(-1/2) * S * D^(-1/2)); %拉普拉斯矩陣 % 求特徵向量 V % eigs 'SM';絕對值最小特徵值 [V, ~] = eigs(L, num_clusters, 'SM'); % 對特徵向量求k-means C=kmeans(V,num_clusters); end

呼叫

clc
clf
clear
%twoCircles資料集
load('twoCircles.mat');
dataSet=twoCircles;
dataSet=dataSet/max(max(abs(dataSet)));
num_clusters=2;
sigma=0.1;
%XOR資料集
% load('XOR.mat');
% dataSet=XOR;
% dataSet=dataSet/max(max(abs(dataSet)));
% num_clusters=4;
% sigma=0.1;
Z=pdist(dataSet);
W=squareform(Z);
C = spectral(W,sigma, num_clusters);
plot(dataSet(C==1,1),dataSet(C==1,2),'r.', dataSet(C==2,1),dataSet(C==2,2),'b.', dataSet(C==3,1),dataSet(C==3,2),'g.', dataSet(C==4,1),dataSet(C==4,2),'m.');

3、結果
使用twoCircles資料集結果如下
這裡寫圖片描述

使用XOR資料集結果如下
這裡寫圖片描述

4、資料集
twoCircles資料集
0.100267601303493 -0.0525014663431810
0.135362505728604 -0.0459654893365564
0.126933443606530 -0.0164012350510703
0.115293882173694 -0.0473205001143649
0.139683311317968 -0.0501011177695915
0.143195450367134 0.0122605442686863
0.106009774791485 -0.0168037897565408
0.118163138199935 -0.00666648250514589
0.110780653575040 0.0265235804271568
0.100737917234786 0.0156260544496707
0.126536424113384 0.0560221149798287
0.130698280785180 0.0684661165422064
0.104542664983812 0.0809424119400617
0.0726902879896738 0.0562442697844981
0.0637149247388668 0.0892398222314587
0.0853220620494712 0.0587256576192461
0.0641053278934059 0.0947081798114114
0.0540426146452954 0.106785289158448
0.0642233489137368 0.0773824972648639
0.0350076911071655 0.111209797092187
0.0575752186252200 0.139474771321149
0.0126290954650543 0.108504680216120
0.00349847022973863 0.112987536527351
0.0105711038041949 0.155177325738704
-0.0102810207109895 0.140100147985530
0.0305894017235263 0.124743038795609
0.0186284478675877 0.134335541069807
-0.0173374800758943 0.164502347969208
-0.0400122017295506 0.162977680067346
-0.0335834225808840 0.150519495750737
-0.0438278406773373 0.173784298945292
-0.0345953885966573 0.182458289569849
-0.0635677163520193 0.159022637074378
-0.0405818861039921 0.169202540121774
-0.0527891130200498 0.168094775301963
-0.0603092138248180 0.194748108368073
-0.106572021716591 0.157099440212529
-0.119891726239592 0.203801706866876
-0.0940989249650586 0.167363595210180
-0.144698032772901 0.179866876326964
-0.159434519297908 0.196417018620475
-0.146015734820454 0.189134524311375
-0.132834910083993 0.156211145302309
-0.172867395587399 0.187335748061479
-0.193854848542921 0.151202690306914
-0.211766599907447 0.197752526283055
-0.170091451059050 0.191328759522471
-0.199365119129387 0.165811645197576
-0.222213410804137 0.172067404952940
-0.214140822664785 0.185931958176438
-0.215512624668578 0.130509784136747
-0.251860997790970 0.163417827951663
-0.238942511928649 0.162858234955589
-0.276695845932721 0.154731684809285
-0.239602463560443 0.113577060960391
-0.262380455618860 0.121797461707344
-0.302793019604424 0.0905875818722080
-0.293697339739456 0.102574990330745
-0.289468524988789 0.0841848131601263
-0.278550398589779 0.0958968428628290
-0.309193942355570 0.0956952453943073
-0.309665221370501 0.101114961370419
-0.312388873911295 0.0707668589797037
-0.303505342893366 0.0692910517672390
-0.355052139807089 0.0844176064770470
-0.344861224975699 0.0741505640116930
-0.355087516529306 0.0440336650435923
-0.336475652845790 0.0563709794282264
-0.328576905148420 -0.00379063760949573
-0.356115327189969 0.0322631886597826
-0.340366743529895 -0.00564538741063073
-0.371908493540811 -0.0216241755498018
-0.360894413187727 0.00429001151502345
-0.372562268165067 -0.0339568582868362
-0.343688383714249 -0.0547917622629392
-0.358143770979545 -0.0729574893403541
-0.349822126123939 -0.0272893847258684
-0.393336391064242 -0.0537848133661400
-0.383204007322266 -0.0529678498497836
-0.353515524006840 -0.0582479249357490
-0.385827080066973 -0.0837505105693941
-0.395565518334062 -0.0794460419109608
-0.369838780380090 -0.128964105956146
-0.337849121293584 -0.101031682031104
-0.375974210376338 -0.108682708099617
-0.354766754663879 -0.155495771701691
-0.364247967067762 -0.178592840253556
-0.380703233598296 -0.146316315538511
-0.348409149249923 -0.196479292584203
-0.324568709628736 -0.166904266048153
-0.354047306608441 -0.192633432918573
-0.361878508037289 -0.189117407045915
-0.344545303997592 -0.226502649530425
-0.314056774268735 -0.213047594950611
-0.327977346511586 -0.214936421244042
-0.301897033254626 -0.259903925262516
-0.334105134733781 -0.240055452972030
-0.284924107698938 -0.222357013912615
-0.297379072167748 -0.275672884069141
-0.311400589636153 -0.262648154727971
-0.281353262796720 -0.256011103516970
-0.254789900987687 -0.283968058929749
-0.234305948705366 -0.250380189311949
-0.222139655356567 -0.271161175379960
-0.213559952965771 -0.305485551482142
-0.209975366956662 -0.289335212588093
-0.202818085453815 -0.274235106083386
-0.197541571095125 -0.297528078237609
-0.202986511362828 -0.289497670612192
-0.201700888643611 -0.284206470938609
-0.209630925383829 -0.290272082259436
-0.168298490585481 -0.335428344847537
-0.145963190943968 -0.334038327241760
-0.171474058532450 -0.337884423131229
-0.127628295490400 -0.346688626968460
-0.163836129157153 -0.348800171515015
-0.135368304936212 -0.314081776188499
-0.132007097436545 -0.313449799619478
-0.128926470738468 -0.294581296451970
-0.0902652793447816 -0.305026685606573
-0.0992012727673828 -0.329898372201677
-0.0507464573856505 -0.316762063098592
-0.0685488580119897 -0.329141751075382
-0.0444113533236343 -0.298403913030859
-0.0783191135006571 -0.332725423603294
-0.0332333013765817 -0.291940950102696
-0.0255661481044777 -0.284709797688673
-0.00245296851181924 -0.284803597794617
-0.00249863019152190 -0.305142315144786
0.0198228715332239 -0.285804165103858
0.0300100433770582 -0.287865952823912
-0.00646122214190621 -0.305561033396500
0.00428173125450494 -0.255530516108207
0.0482792519180897 -0.258225143471595
0.0123155252390966 -0.277151618583252
0.0396615132170281 -0.228522339341406
0.0416024960684403 -0.268866466045177
0.0747102721122029 -0.254810237522588
0.0436779492222656 -0.240772920306928
0.0914459988808117 -0.243627308241155
0.0970110968333145 -0.238233512837646
0.0878270794000305 -0.199494381203487
0.0765908466258044 -0.222637671377960
0.0708152910911313 -0.193570495703914
0.108928079105592 -0.198380235456279
0.0773284701063797 -0.179437889536288
0.0836765261597315 -0.142573610997107
0.0914692129480362 -0.175860041459249
0.114093997612083 -0.179336608807588
0.130382722297946 -0.115457499962721
0.144010623150724 -0.119396339545842
0.124763921481018 -0.119550424368215
0.0996057698713907 -0.109291370936644
0.116935511527647 -0.124543384023350
0.137633394319036 -0.0609595214130716
0.146950113500472 -0.0892548421397118
0.117347761318916 -0.0632817695214719
0.379647097515717 -0.0614002586252345
0.397881577085257 -0.0645688296012094
0.382685746530102 -0.0123937535394865
0.376571015503113 0.00526568870359465
0.360854505995832 0.00923618270753422
0.361534611077772 0.0167124782472926
0.379525822624179 0.0838695030300762
0.346759278173418 0.0554243132780597
0.347442760581728 0.0904281335775545
0.334523949996636 0.137099373387937
0.345257112013698 0.166779404797340
0.329850886009906 0.161630987533876
0.325478864590708 0.190771254398351
0.305729085928220 0.205005461086872
0.289377833644790 0.217239719283975
0.282662806695955 0.234449280180130
0.245906090317521 0.266819781549496
0.253842647226271 0.258021761453835
0.273989951944179 0.264725787116273
0.248765919679540 0.295404095896161
0.231178953356613 0.295397753861568
0.218352310580521 0.290136905199436
0.202267722976175 0.321104094721482
0.191437763754652 0.339566316931083
0.170554341287904 0.341721171850985
0.166129078208872 0.352545814265809
0.0967436810674985 0.383681171204894
0.0960953748434208 0.379190363603298
0.0837673594924505 0.385807952149335
0.0513156132273566 0.369505219697132
0.0193368368407719 0.386295498951418
0.0566033158446816 0.404403969159148
0.0225105750076566 0.421370129571270
-0.0316187666303336 0.430428396403566
-0.0512198377212044 0.451407595962523
-0.0375447511302303 0.450983972374145
-0.0768275219623830 0.402995944672121
-0.115035872740353 0.456288634618542
-0.114952165516496 0.409659621623729
-0.151021813205498 0.458135112803455
-0.131649339625237 0.434944387104889
-0.143705628511081 0.411955302052513
-0.219094098803580 0.399381111766744
-0.200120592939383 0.409995446343507
-0.218014262677533 0.436848150425081
-0.262938083606404 0.387899788368698
-0.246788821726377 0.399054144152815
-0.298730596387592 0.379430618109544
-0.333478792626487 0.373970635322010
-0.347918173555825 0.360435503767655
-0.323744109495305 0.390313479309319
-0.346679114506107 0.344170933324307
-0.359721999121444 0.366066149191139
-0.386243474098894 0.328875690392725
-0.390668503973189 0.346254510097211
-0.454142427723858 0.325161895529989
-0.447475711019174 0.299748117578652
-0.471869692480270 0.319336223353854
-0.472502727888249 0.304838269344423
-0.462450815819334 0.297691775190530
-0.511820295556556 0.226539941566540
-0.505467277760517 0.249540131137678
-0.551970521879217 0.195656800623545
-0.555714847641494 0.185227125097265
-0.525810838500301 0.168429835638935
-0.574289349890964 0.166809846044552
-0.545635651284044 0.141529296950356
-0.583865841637917 0.129927382439677
-0.571884196344373 0.105807686150180
-0.616270722993104 0.0954205924778298
-0.581864710787012 0.0785497954177747
-0.601703525051394 0.0725376628135345
-0.580053039284052 0.0620171518880286
-0.623464756517173 0.0114109890977535
-0.621672284794125 0.0261452976867265
-0.640064677610222 0.000108697156637055
-0.590828127767378 -0.0146681274947393
-0.623799802780419 -0.0732747659392776
-0.644908537176083 -0.100277452718236
-0.606413711833031 -0.0875732059574307
-0.617640064830947 -0.102052945534801
-0.626198284694807 -0.157330319367997
-0.597715034374953 -0.178056796073903
-0.589020489814766 -0.167580959497453
-0.619429629614866 -0.174196295521016
-0.597283540414415 -0.193338165826052
-0.597168701903739 -0.255901732252636
-0.606988796774917 -0.236188327416440
-0.572848380762827 -0.244342689069538
-0.544322309131500 -0.289631534143429
-0.585075126906007 -0.330368760062847
-0.527806671611551 -0.337602584622756
-0.538351777507918 -0.325233350555587
-0.534638277460504 -0.383351162431622
-0.539380470574240 -0.376487510734235
-0.521276649672564 -0.385241118629563
-0.496275646942683 -0.375611322249414
-0.477542224199524 -0.434961142088870
-0.474046480222339 -0.454614136269792
-0.434202530151097 -0.436340960041392
-0.412423548399363 -0.481529498157065
-0.405509437595275 -0.441323575634914
-0.408920353040217 -0.497091528299050
-0.380353653282453 -0.486610507329795
-0.361009657383465 -0.484313117375382
-0.374300424468568 -0.493141352891889
-0.334278320943441 -0.522523400728082
-0.327180651476797 -0.514420331510727
-0.292540064690979 -0.512619812658298
-0.251800146578828 -0.520182110976352
-0.263709023622946 -0.567341993513358
-0.268023520168569 -0.552560001970452
-0.194739028009272 -0.542712013354447
-0.175339173096868 -0.581755463596484
-0.189543416715458 -0.551446557340132
-0.175548554711783 -0.569770480214661
-0.123976564892378 -0.564555345969930
-0.120499554453321 -0.584365688282749
-0.0974472943526174 -0.594557046909839
-0.0701458099188990 -0.580606917064844
-0.0857861704911607 -0.541518134770355
-0.0191656181726216 -0.565571445395348
0.00473997594657107 -0.574101145702962
-0.0265136243266595 -0.540173306084224
0.0377824100859994 -0.534526125402419
0.0607127170553193 -0.573714123533801
0.0256991639305313 -0.515568692662187
0.0750293804771959 -0.513104127725868
0.100909125259251 -0.533433406421375
0.102938144215622 -0.503905120993026
0.136360882424846 -0.516724237714893
0.160351512887989 -0.468463720117496
0.165875735585508 -0.496423463021149
0.185553922917037 -0.491627279645423
0.180159052973811 -0.444826340073898
0.229183556823824 -0.448061358573410
0.219204028289945 -0.424033207830737
0.245742156083010 -0.391214678624873
0.271531239374451 -0.415838279344467
0.250818397502540 -0.414908934695387
0.271124073472142 -0.356374642544174
0.292164827520917 -0.365814651340193
0.296720828006570 -0.336049546556310
0.286019255902477 -0.343139336378628
0.335077527086029 -0.332101862006207
0.301485445863558 -0.309695995639731
0.333707792193999 -0.251151746792849
0.317821117540833 -0.264234266154152
0.381050549849280 -0.240494338034531
0.360004479542351 -0.205456598355826
0.388637523745346 -0.176202259871168
0.361675847978310 -0.159811109806494
0.395587569270693 -0.163709904402880
0.360873026344104 -0.155004205758110
0.402373685593358 -0.107735146318242
0.402966624140516 -0.126363800088237
0.373867567207756 -0.0896191882457839

XOR資料集
11.7019498550828 11.9864146917909
11.2854197541034 9.61106025805058
12.9293997424851 7.77139077294215
11.0678743631211 10.4674361646635
10.2184969161492 10.0020184568202
13.0269044940811 9.51316600308935
11.8515238069851 8.48249559804150
13.1609598294686 10.3732294253150
10.9263007068675 9.96449067911523
12.9089787789130 10.9301847688819
12.9750456160589 11.9504775516646
10.9553894933476 9.91018786085430
12.1339163659016 9.87242404255941
11.2520226218202 11.0674309284256
13.5473713727711 11.9613951483563
11.9684417926901 11.5074099651376
12.6895038389352 11.1186184934507
10.2832003244487 11.5415772866841
12.4229965264968 11.1877890494122
10.1643053902437 10.5663656603295
11.2048464152179 9.71682231158900
11.0806034399502 10.1652955523462
12.2846926890514 9.78779540958933
10.1824985132917 12.8606632258936
12.0979543910706 11.9424610915524
12.7060709470499 11.5447724445084
12.0561173728298 9.81784926866268
14.0689074539149 9.96319738455191
12.6497443989402 10.4276846525517
12.0319954734513 9.49339677197864
13.4474308028544 11.5983168358328
11.0632839042566 10.2491041959578
11.2335208151750 11.9891784117950
13.0220342253125 9.87449708893778
11.9246891549662 11.4344269572793
11.7350618936693 9.81397193906283
12.3694859565937 8.90011903885874
12.8668333962113 9.26621804504976
12.3472189846887 12.4519494691887
13.0461983679146 10.7051037792115
13.5613776434838 9.75964665916580
11.3885956114862 9.79139688756874
12.8567032866785 10.7863262984152
13.0367032355283 10.3257802151620
11.4431349243099 9.57049805828306
10.7881498467560 10.4238566446530
11.7937409546202 9.42825780195812
10.8695035815800 10.3935413749975
11.2069340930752 11.4638602435525
10.7110735083414 8.77581178255715
12.8663476177943 10.5273375271888
12.8217630762208 10.5196712293077
11.9372510678886 11.2111052801608
11.4063244993183 9.57256514219680
13.0592013597650 11.6844988802191
11.0557080731010 8.72797402070974
12.6163563860771 9.15860434653811
13.6011577253520 10.9612000658453
10.0219686555893 8.52703640672761
12.5759972338184 11.6862204932952
3.94956748525547 4.73412736306845
3.56443650819659 2.16105751188226
5.16518645299920 0.757482840173608
3.61304847623052 3.12958148239127
2.02743183857526 2.44647254909842
5.33618619679163 2.66809927032053
3.68775438397887 1.12528095586246
4.88035607726594 3.21563173831697
3.13360464755309 3.05228676423534
4.95911647587894 3.68941297928373
5.03377110970780 5.08681762596579
3.21733424525325 2.70489533613306
4.50420188070526 2.95583990952738
3.20224063526126 4.17147835875988
5.80938097113020 4.80370056173962
3.98460038265991 3.92698758869092
5.13143299162650 3.84947637366477
2.71611714352392 4.36588678351726
4.27943751872594 3.85805947284429
2.37776612705653 3.16341945842501
3.38709557974511 2.93854349655031
3.22134277707462 2.99521696172944
4.75463372140937 3.07556636384569
2.04727753976733 5.65184622135477
4.01602846655169 5.11157547894071
4.42528548810412 4.34156396152200
4.59594684317470 3.02636336455003
6.31445932888745 3.11827448355900
4.72920762388907 3.20508019738685
4.27131243449136 2.10941568794003
5.59214691338119 4.78872405379976
3.31059538454970 3.59840810780763
3.37740674917462 4.71674384587023
5.34308084589231 2.94576145938952
4.04718446074330 4.27307193986623
4.32876651779016 3.04747253465181
4.18816258899334 2.06897329128835
4.57263166946153 1.83347159054448
4.05691644921189 5.71392994789072
4.70978973888974 4.09497593284296
5.56595763934141 2.67407011567151
3.43696852355266 3.07567791069570
4.82251946351670 3.77435235372370
5.40020787637713 2.88053256381809
3.67103130392403 2.17036088114051
3.16013023231025 3.23081148179191
4.32659452489903 2.57696352017381
3.44224443558299 3.61912519078363
2.99896244250298 4.65382327349707
2.44994771117056 1.49433602795614
5.16261395487731 3.46140165455953
4.51558310299567 3.00962190807828
4.06265547174795 3.72281102435404
3.53666871771116 2.10885769113510
5.52034117115833 4.76315118501930
3.14056140665305 1.62315103979940
4.60981274729235 1.74831475255569
5.87258886502605 3.85620589083548
2.36322659904347 1.07464462870429
4.69604970120875 4.14119464020140
4.06185144741150 12.7220620980209
4.34886439894051 9.33148953493914
5.45675677090613 8.01527509074562
4.21658191498141 10.5263808010244
2.99185450579116 9.52046731867536
5.76867119076199 10.3521953372825
4.38250657859681 8.52766928855863
5.63845535255539 11.1984669397109
3.56624697370019 10.4544707494578
5.61461451568248 11.3100849264833
5.14352616043085 12.2411874314451
4.15109409363858 10.0862405405775
4.69166268712695 10.1169738813767
3.46841947416890 11.9295907900873
6.60721123134179 12.6748116836550
4.47220415809383 11.2777643335768
5.90039125568537 11.5350120824123
3.11212388874180 11.6600354172851
4.55237631284963 11.3886887767012
2.41500076112686 10.9958428447102
4.06039049385377 10.5360336884229
3.65090723632647 10.3305282924347
5.20637295631411 10.3747913871788
2.65713470905755 13.1044387629241
4.07543176340997 12.5342211321612
4.74109692644298 11.7011702794942
5.36866897403764 10.5846825644193
7.01089231789354 10.8608198492609
4.85453980499825 10.6294149810125
4.40146388488079 9.53877147651624
5.68449925210039 11.9135968125196
3.31841567811904 10.6228421238580
3.80051613433878 12.0069291110010
5.99865402083022 10.2632820422887
4.77010698543533 11.9267620738327
4.85997581137260 11.0044084587225
4.29698052726639 10.0047041640732
5.20439804299001 9.29135792439885
4.18341631454120 12.9544083447228
4.84409304320332 11.8588738771294
5.66455173205240 10.4333974988026
3.57899577198459 10.8163259756743
4.99077076200823 11.5180406952110
5.59645679863409 9.98645298055085
3.98851107907347 9.85192131161083
3.47655923145655 10.6940720603856
4.54415783432186 9.78912672542875
3.69328628159872 10.7176439284717
3.89188484778896 12.4773977474249
3.15317093572685 8.66934576533822
5.71835189759670 10.6249715643445
4.70001677075332 10.6756091244894
4.27468631428027 11.6172003997083
3.61401552582384 9.62541589948637
6.43414158193790 12.4658534919698
3.84727662434998 8.77674141641880
5.16760171404722 9.70177182244194
6.18601785496265 11.3970899720770
2.52943016194562 8.75437852691476
5.31854696048865 11.1777576582499
12.1703648499568 4.25918068096871
11.9156935980092 1.76634249140915
13.0358935269100 0.642543539262382
11.7216268152551 3.38130061163330
9.90505798227448 1.91274110674955
13.4662062554524 2.40759813336150
11.5984550563205 0.786001029812625
12.3780421908777 2.75307429834405
11.0339125426674 3.44025981373637
13.2106593276639 3.79077541277182
12.4088411893229 5.22773814000357
12.1122686730571 2.14488253438531
12.5043505310139 3.00969778829176
12.0213980690701 4.70806434172846
13.4275882046496 4.47432208674284
12.3191249275729 4.27068576380739
13.1438229453726 3.67926012471611
10.4191659275932 4.61631800150300
12.0283877080530 3.63183656076588
10.3614842954338 3.24329337255066
11.9219140465917 2.84883376285038
11.1437998741670 2.36630631875367
11.8286230610643 2.87946675115601
10.6578203885544 5.65868817981521
12.6095626497045 5.26533359557208
12.9114522235639 4.45809181302457
12.2806675275436 2.47582686999720
14.1116937595625 2.81457524522844
12.8243093305766 2.84866696078969
12.8169655828713 2.12540787718603
13.1338518477016 5.07021406788503
11.3941898892237 3.16009759933799
11.8395114291177 5.42887609283455
13.6728369339630 2.09169395351962
12.1765374909825 4.59471373669116
12.2008728392924 3.37028124200855
12.3161807588698 2.35728531555062
12.8462392101779 1.55075367097960
11.8838569369266 5.76980383297941
13.5110179090073 4.18356739321067
13.3050352786948 1.89344066723256
10.9742696810326 2.32386257172529
12.9186180175458 3.46762198079446
13.1141431772837 2.34692534478435
11.5167277073615 1.66791119261036
11.6610124480111 3.30769293319020
11.8129296060640 2.36417920344874
10.6285971666362 3.12236573026102
10.5813925840179 4.31579294391233
10.6435550321234 1.51959044206070
12.6586543018011 3.92202585689097
12.4203408497795 3.34244887851811
11.7719738365109 3.79262098178588
11.5883744422229 2.40673990807543
13.7647233821169 4.03761334193030
11.6179516027426 1.92225568194860
12.4155917435700 0.931081755088327
13.9315067764341 3.53992252705657
10.0194033879627 0.920979800389733
12.6752472116720 4.27580101528130

相關推薦

演算法Matlab快速實現

%Ncut譜聚類完整函式定義(儲存為.m檔案): function C = SpectralClustering(data,k,a)     %data是資料點矩陣  K是聚類個數  a代表高斯核函式的引數 %UNTITLED Summary of this functio

演算法 matlab

1、譜聚類演算法步驟公式 (1)整理資料集,使資料集中資料在0-1之間。假設資料集m行n列。 (2)求鄰接矩陣W。元素值為每一點到其他點之間距離,即權重。 (3)求相似度矩陣S,相似度矩陣的定義。相似度矩陣由權值矩陣得到,實踐中一般用高斯核函式(也稱徑向基

演算法入門教程(三)—— 求f^TLf的最小值

在上一篇部落格中,我們知道目標函式變為 argmin⁡f∈R6fTLfarg \min \limits_{f \in \R^6} f^TLfargf∈R6min​fTLf,即找到一個fff,使得 fTLff^TLffTLf 取得最小值 這篇部落格將通過求導的方

K-modes演算法MATLAB

K-modes演算法主要用於分類資料,如 國籍,性別等特徵。 距離使用漢明距離,即有多少對應特徵不同則距離為幾。 中心點計算為,選擇眾數作為中心點。 主要功能: 隨機初始化聚類中心,計算聚類。 選擇每次聚類次數,選擇最佳聚類初始化。 kmodes.m程式碼 function [cx,cos

K-medodis演算法MATLAB

國內部落格,上介紹實現的K-medodis方法為: 與K-means演算法類似。只是距離選擇與聚類中心選擇不同。 距離為曼哈頓距離 聚類中心選擇為:依次把一個聚類中的每一個點當作當前類的聚類中心,求出代價值最小的點當作當前聚類中心。 維基百科上,實現的方法為PAM演算法。 分成K類,把每個點都嘗試當

【無監督學習】5:演算法原理介紹

前言:學習譜聚類,最好有一些圖論、矩陣分解(SVD)方面的知識,這樣會更加有利於譜聚類的學習。當然,譜聚類理解起來並不困難,實際操作也大多是譜聚類+K-means聚類聯合使用的。 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-—

演算法講解

什麼是譜聚類? 聚類的直觀解釋是根據樣本間相似度,將它們分成不同組。譜聚類的思想是將樣本看作頂點,樣本間的相似度看作帶權的邊,從而將聚類問題轉為圖分割問題:找到一種圖分割的方法使得連線不同組的邊的權重儘可能低(這意味著組間相似度要儘可能低),組內的邊的權重儘可能高(這意

淺談AP演算法-matlab

  AP(Affinity Propagation)演算法,稱為仿射傳播聚類演算法、近鄰傳播聚類演算法、親和傳播聚類演算法,是根據資料點之間的相似度來進行聚類,可以是對稱的,也可以是不對稱的。 該演算法不需要先確定聚類的數目,而是把所有的資料點都看成潛在意義上的聚類中心(ex

EM演算法matlab實現

最近看到了樸素貝葉斯定理,看著看著就看到了em聚類的演算法中(K-means聚類的原型)。 動手自己編個程式: %EM algorithm clc; clear; sigma = 1.5; miu1 = 3; miu2 = 7; N = 1000; x = zeros(1

K-means 演算法MATLAB程式碼

%----------------------main function----------------------------- %% Clear Memory & Command Window clc clear close all %% Generate Po

瞭解 kmeans演算法演算法

譜聚類演算法 不過真正要直觀地理解譜聚類,其實應該從物理的簡正模振動的角度來理解。你可以認為每兩個點之間都有一個彈簧連著,把兩個點之間的相似度理解為它們的彈簧係數,每個特徵向量就是這個系統的運動

——演算法以及Python實現

譜聚類(spectral cluster)可以視為一種改進的Kmeans的聚類演算法。常用來進行影象分割。缺點是需要指定簇的個數,難以構建合適的相似度矩陣。優點是簡單易實現。相比Kmeans而言,處理高維資料更合適。 核心思想 構建樣本點的相似度矩陣(圖

演算法及其程式碼(Spectral Clustering)

簡介 文章將介紹譜聚類(spectral clustering)的基本演算法,以及在matlab下的程式碼實現。介紹內容將包括: 從圖分割角度直觀理解譜聚類譜聚類演算法步驟資料以及實現程式碼 本文將不會涉及細節化的證明和推導,如有興趣可參考july大

方法-MATLAB

Matlab提供了兩種方法進行聚類分析。 一種是利用 clusterdata函式對樣本資料進行一次聚類,其缺點為可供使用者選擇的面較窄,不能更改距離的計算方法; 另一種是分步聚類:(1)找到資料集合中變數兩兩之間的相似性和非相似性,用pdist函式計算變數之間的距離;(2)

演算法(Spectral Clustering)

    譜聚類(Spectral Clustering, SC)是一種基於圖論的聚類方法——將帶權無向圖劃分為兩個或兩個以上的最優子圖,使子圖內部儘量相似,而子圖間距離儘量距離較遠,以達到常見的聚類的目的。其中的最優是指最優目標函式不同,可以是割邊最小分割——如圖1的Smallest cut(如後文的M

演算法(Spectral Clustering)優化與擴充套件

    譜聚類(Spectral Clustering, SC)在前面的博文中已經詳述,是一種基於圖論的聚類方法,簡單形象且理論基礎充分,在社交網路中廣泛應用。本文將講述進一步擴充套件其應用場景:首先是User-Item協同聚類,即spectral coclustering,之後再詳述譜聚類的進一步優化。

演算法詳解

  譜聚類(Spectral Clustering)演算法簡單易行,其聚類效能優於傳統的K-means演算法。譜聚類將資料的劃分轉化為對圖的分割,是一種基於圖論的聚類方法,其直觀理解為根據圖內點的相似度將圖分為多個子圖,使子圖內部的點相似度最高,子圖之間點的相似

演算法

#include<math.h> #include<string.h> #include"matrix.h" #include"svd.h"   #define N 19        //樣本點個數 #define K 4         //K-Means演算法中的K #defin

演算法及圖分割演算法

譜聚類演算法   譜聚類演算法由於其演算法流程簡單、計算簡潔與 Kmeans 演算法相比不容易陷入區域性最優解,能夠對高維度、非常規分佈的資料進行聚類。譜聚類演算法是利用圖譜理論來進行演算法分析,思想是把資料分析問題看成是圖的最優分割問題,將資料樣本看成是

Ng演算法Matlab簡單實現

請編寫一個譜聚類演算法,實現“Normalized Spectral Clustering—Algorithm 3 (Ng 演算法)” 結果如下 譜聚類演算法核心步驟都是相同的: •利用點對之間的相似性,構建親和度矩陣; •構建拉普拉斯矩陣; •求解拉普拉斯矩陣最小的