該樓層疑似違規(guī)已被系統(tǒng)折疊?隱藏此樓查看此樓

利用K-Means聚類算法實(shí)現(xiàn)對(duì)iris.data.ulabel數(shù)據(jù)的聚類，這是在網(wǎng)上找到如果要換成我的iris.date

iris.date.ulable請(qǐng)問(wèn)在哪些地方改

package com.company;

import java.io.File;

import java.util.Scanner;

import java.util.Vector;

import static com.sun.org.apache.xalan.internal.lib.ExsltStrings.split;

public class Main {

public static Vector indata = new Vector<>(); //存儲(chǔ)從文件中讀取的原始數(shù)據(jù)

public static Vector data = new Vector<>(); //存儲(chǔ)經(jīng)過(guò)處理后的每一個(gè)樣本的各個(gè)屬性值和所屬分類

public static Vector init_kernal = new Vector<>();//存儲(chǔ)每次迭代產(chǎn)生的聚類核心的每個(gè)屬性值的均值

public static boolean loadData(String url) {//加載測(cè)試的數(shù)據(jù)文件

try {

Scanner in = new Scanner(new File(url));//讀入文件

while (in.hasNextLine()) {

String str = in.nextLine();//將文件的每一行存到str的臨時(shí)變量中

indata.add(str);//將每一個(gè)樣本點(diǎn)的數(shù)據(jù)追加到Vector 中

}

return true;

} catch (Exception e) { //如果出錯(cuò)返回false

return false;

}

}

public static void pretreatment(Vector indata) { //數(shù)據(jù)預(yù)處理，將原始數(shù)據(jù)中的每一個(gè)屬性值提取出來(lái)存放到Vector data中

int i = 0;

String t;

while (i < indata.size()) {//取出indata中的每一行值

double[] tem = new double[5];

t = indata.get(i);

String[] sourceStrArray = t.split(",", 5);//使用字符串分割函數(shù)提取出各屬性值

for (int j = 0; j < 4; j++) {

tem[j] = Double.parseDouble(sourceStrArray[j]);//將每一個(gè)的樣本的各屬性值類型轉(zhuǎn)換后依次存入到double[]數(shù)組中

}

tem[4] = 0;//tem的第五個(gè)值表示所屬類別，1.0表示第一類，2.0表示第二類，3.0表示第三類，初始化為0不屬于任何類

data.add(tem);//將每一個(gè)樣本加入到data中

i++;

}

}

public static Vector set_kernal(Vector data, int a, int b, int c) {//設(shè)置初始的聚類核心，a，b，c分別表示一個(gè)類的核心在data中的編號(hào)

init_kernal.add(data.get(a));

init_kernal.add(data.get(b));

init_kernal.add(data.get(c));

return init_kernal;

}

public static int choose(double[] data, double[] a, double[] b, double[] c) {//判斷一個(gè)樣本屬于哪一個(gè)類，返回值1表示第一類，2表示第二類，3表示第三類

double ta, tb, tc;

//ta，tb，tc分別表示一個(gè)樣本點(diǎn)到三個(gè)聚類核心的歐式距離的平方

ta = (data[0] - a[0]) * (data[0] - a[0]) + (data[1] - a[1]) * (data[1] - a[1]) + (data[2] - a[2]) * (data[2] - a[2]) + (data[3] - a[3]) * (data[3] - a[3]);

tb = (data[0] - b[0]) * (data[0] - b[0]) + (data[1] - b[1]) * (data[1] - b[1]) + (data[2] - b[2]) * (data[2] - b[2]) + (data[3] - b[3]) * (data[3] - b[3]);

tc = (data[0] - c[0]) * (data[0] - c[0]) + (data[1] - c[1]) * (data[1] - c[1]) + (data[2] - c[2]) * (data[2] - c[2]) + (data[3] - c[3]) * (data[3] - c[3]);

if (ta == Math.min(Math.min(ta, tb), tc)) //如果到第一類的距離最小返回1

return 1;

else if (tb == Math.min(Math.min(ta, tb), tc))//如果到第二類的距離最小返回2

return 2;

else if (tc == Math.min(Math.min(ta, tb), tc))//如果到第三類的距離最小返回3

return 3;

return 0;

}

public static Vector onestep(Vector data, Vector kernal) {//函數(shù)執(zhí)行一次表示kmeans的一次迭代

Vector newkernal = new Vector<>();//用于存放一次迭代后新的類的核心的各屬性值

int i = 0;

double[] a = kernal.get(0); //a賦值為當(dāng)前第一個(gè)類的核心

double[] b = kernal.get(1); //b賦值為當(dāng)前第二類的核心

double[] c = kernal.get(2); //c賦值為當(dāng)前第三類的核心

double[] temp;

while (i < data.size()) {//取出data中的每一個(gè)樣本存放在temp中

temp = data.get(i);

temp[4] = (double) choose(temp, a, b, c);//調(diào)用choose函數(shù)判斷當(dāng)前樣本屬于哪一個(gè)類

i++;

}

double[] suma = {0, 0, 0, 0};

int al = 0;//表示當(dāng)前第一類的樣本個(gè)數(shù)

double[] sumb = {0, 0, 0, 0};

int bl = 0;//當(dāng)前第二類的樣本個(gè)數(shù)

double[] sumc = {0, 0, 0, 0};

int cl = 0;//當(dāng)前第三類的樣本個(gè)數(shù)

i = 0;

while (i < data.size()) {

double[] t = data.get(i);

if (t[4] == 1.0) { //如果當(dāng)前樣本屬于第一類

for (int j = 0; j < 4; j++) {

suma[j] = suma[j] + t[j];

}

al++; //該類的樣本個(gè)數(shù)加一

} else if (t[4] == 2.0) {

for (int j = 0; j < 4; j++) {

sumb[j] = sumb[j] + t[j];

}

bl++;

} else if (t[4] == 3.0) {

for (int j = 0; j < 4; j++) {

sumc[j] = sumc[j] + t[j];

}

cl++;

}

i++;//指向下一個(gè)樣本繼續(xù)循環(huán)

}

for (int j = 0; j < 4; j++) {//計(jì)算出本次迭代后的每個(gè)類的核心的坐標(biāo)

suma[j] = suma[j] / al;

sumb[j] = sumb[j] / bl;

sumc[j] = sumc[j] / cl;

}

//將新的類的核心添加入到newkernal中

newkernal.add(suma);

newkernal.add(sumb);

newkernal.add(sumc);

return newkernal;//返回本次迭代后的新的類的核心

}

public static void k_means() {//k_means算法的實(shí)現(xiàn)

while (true) {

boolean con = true;

Vector t = onestep(data, init_kernal);//將 data和當(dāng)前的init_kernal傳入onestep函數(shù)進(jìn)行一次迭代，返回值為迭代后的類的核心

//判斷本次迭代后返回的類的核心是不是和迭代之前的類的核心相同，如果不相同con被設(shè)為false，繼續(xù)迭代。

for (int i = 0; i < t.size(); i++) {

for (int j = 0; j < 4; j++) {

if (t.get(i)[j] != init_kernal.get(i)[j])

con = false;

}

}

if (con)//如果con為true說(shuō)明本次迭代的核心和迭代之前的核心相同，說(shuō)明聚類完成，退出循環(huán)

break;

else

init_kernal = t;//如果本次迭代返回的新的核心和迭代之前的不同，則當(dāng)前核心設(shè)置為返回的新的核心，繼續(xù)循環(huán)迭代

}

}

public static void show_category() {//打印出所有的樣本的屬性和所屬類別

for (int i = 0; i < data.size(); i++) {

System.out.print((i + 1) + " ");

for (int j = 0; j < 5; j++) {

System.out.print(data.get(i)[j] + " ");

}

System.out.println();

}

}

public static void main(String[] args){

Main.loadData("e:/bezdekIris.data");

pretreatment(indata);//預(yù)處理

set_kernal(data, 20, 80, 130);//設(shè)置初始核心

k_means();

show_category();

}

}

總結(jié)

以上是生活随笔為你收集整理的java iris_利用K-Means聚类算法实现对iris.data.ulab的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。