搜索资源列表
b
- ：DBSCAN是一个基于密度的聚类算法。该算法将具有足够高密度的区域划分为簇，并可以在带有“噪声”的空间数 据库中发现任意形状的聚类。但DtLqCAN算法没有考虑非空间属性，且DBSCAN算法需扫描空间数据库中每个点的e一 邻域来寻找聚类，这使得DBSCAN算法的应用受到了一定的局限。文中提出了一种基于DBSCAN的算法，可以处理非空 间属性，同时又可以加快聚类的速度。-: DBSCAN is a density-based clustering algorithm. The alg
cskmeans
- K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准的k个聚类。 -K-MEANS algorithm is the input number of clusters k, and n a data object that contains the database and output to meet the standard minimum variance k-clustering.
matlab-data-mining
- 数据挖掘(Data Mining)阶段首先要确定挖掘的任务或目的。数据挖掘的目的就是得出隐藏在数据中的有价值的信息。数据挖掘是一门涉及面很广的交叉学科，包括器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。它也常被称为“知识发现”。知识发现(KDD)被认为是从数据中发现有用知识的整个过程。数据挖掘被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(patter，如数据分类、聚类、关联规则发现或序列模式发现等。数据挖掘主要步骤是：数据准备、数据挖掘、结果的解释
kmeans_c
- K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准的k个聚类。-K-MEANS algorithm is the input number of clusters k, and includes n data object database, and outputs k clusters to meet the minimum variance standard.
k-means
- K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准的k个聚类
jinlinhanshuzhunzejuleifangfa
- 近邻函数值准则聚类算法 m 程序，一种跟好用的分类函数方法。 第一步 得到距离矩阵D 第二步 得到近邻系数矩阵M 第三步 得到近邻函数值矩阵，其中的元素也是相应的连接损失 第四步 建立类似数据库的变量s class_num 是每个元素所属的类，如class_num(1)=3表示第一个样本应属于第3类 注意，这里的3紧是类号，很多类号里是没有元素的 class_info 的第二行是类号，的第一行是该类的个数 s 的第一行存样本，第二
PCA人脸识别
- 采用PCA算法对ORL Database of Faces人脸数据库(15个人，每人10幅图像，样本数量15*10)进行识别，通过改变每类训练样本中的比例，在默认累计率情况下，可得到不同的识别准确率
DBSCAN
- DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。(DBSCAN is a representative density based clustering algorithm. Unlike the partition and hie
dbscan
- DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。(Classical clustering algorithm)
DBSCAN算法Matlab实现
- 基于密度的聚类算法 它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类(Density based clustering algorithm It defines the cluster as the largest set of density connected points, and can divide the region with enough high density into clusters, and can f