只有這個算法思想比較對，其他?的都沒有一開始的remove:?原網址：http://www.shahuwang.com/?p=1021

Canopy?Clustering?這個算法是2000年提出來的，此后與Hadoop配合，已經成為一個比較流行的算法了。確切的說，這個算法獲得的并不是最終結果，它是為其他算法服務的，比如k-means算法。它能有效地降低k-means算法中計算點之間距離的復雜度。Mahout中已經實現了這個算法，不知道其他的機器學習類庫和工具中，有多少是實現了這個算法的。感覺上這個算法要實現不難，難在和Hadoop如何結合上。Hadoop完全不懂，這里我就不說那么多了。

好書推薦

圖中有一個T1,一個T2,我們稱之為距離閥值，顯然T1>T2，這兩個值有什么用呢？我們先確定了一個中心，然后計算其他點到這個中心間的距離，當距離大于T1時，小于T1大于T2時，小于T2時，對這個點的處理都是不一樣的。http://micahlabrams.blogspot.com/2011/10/canopy-clustering.html?這篇文章提供了一個很好的偽代碼，我覺得看完之后，加上我稍加的解釋，就能明白canopy聚類的實現過程了：

while?D?is?not?empty

select?element?d?from?D?to?initialize?canopy?c

remove?d?from?D

Loop?through?remaining?elements?in?D

if?distance?between?d_i?and?c?

if?distance?between?d_i?and?c?

end

add?canopy?c?to?the?list?of?canopies?C

end

這里有幾點要說明的：D指代一組數據，d_i表示D中的各個數據。

是不是還不夠明白？下面用中文進行說明：

1：給我一組存放在數組里面的數據D

2：給我兩個距離閾值T1,T2,且T1>T2

3：隨機取D中的一個數據d作為中心，并將d從D中移除

4：計算D中所有點到d的距離distance

5：將所有distance

6：將所有distance

7：重復步驟4到6，直到D為空，形成多個canopy類

通過上面的描述，能理解T1和T2的作用了否？當與中心的距離大于T1時，這些點就不會被歸入到中心所在的這個canopy類中。然當距離小于T1大于T2時，這些點會被歸入到該中心所在的canopy中，但是它們并不會從D中被移除，也就是說，它們將會參與到下一輪的聚類過程中，成為新的canopy類的中心或者成員。亦即，兩個Canopy類中有些成員是重疊的。這是canopy比較關鍵和高明的地方了，當然內在的高明之處我也講不出來，水平不夠。而當距離小于T2的時候，這些點就會被歸入到該中心的canopy類中，而且會從D中被移除，也就是不會參加下一次的聚類過程了。

不知道現在能明白了否？

總結

以上是生活随笔為你收集整理的canopy算法流程_Canopy聚类算法(经典，看图就明白)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。