集体智慧编程（二）发现群组

博客地址：http://andyheart.me，首先会更新本人自己的博客，然后更新CSDN。

有错误之处，请私信或者评论，多谢。

概念

数据聚类：一种用以寻找紧密相关的事、人或观点，并将其可视化的方法。目的是采集数据，然后从中找出不同的群组。
监督学习：利用样本输入和期望输出来学习如何预测的技术。例如，神经网络，决策树，支持向量机，贝叶斯过滤。
无监督学习：在一组数据中找寻某种结构，数据本身不是我们要找的答案。

分级聚类：通过连续不断地将最为相似的群组两两合并，来构造出一个群组的层级结构。其中的每个群组都是从单一元素开始的。
K均值聚类：首先随机确定K个中心位置，然后将各个数据项分配给最邻近的中心点。待分配完成之后，聚类中心就会移到分配给该聚类的所有节点的平均位置，然后分配过程重新开始。一直重复直到分配过程不再产生变化为止。

主要内容

• 从各种不同的来源中构造算法所需的数据；
• 两种不同的聚类算法（分级聚类和K-均值聚类）；
• 更多有关距离度量的知识；
• 简单的图形可视化代码，用以观察所生成的群组；
• 将异常复杂的数据集投影到二维空间中。

示例

对博客用户进行分类
根据单词出现的频度对博客进行聚类，可以分析出经常撰写相似主题的人。

• （一）对订阅源中的单词进行计数

  RSS订阅源 是一个包含博客及其所有文章条目信息的简单的XML文档。为了给单词计数，首先应该解析这些订阅源，可以利用Universal Feed Parser。

  代码解释： 这一部分主要是为了得到将要进行处理的数据集。代码由python实现文件为generatefeedvector。主要流程为：利用Universal Feed Parser将从feedlist.txt中列表的地址中得到的RSS源一一解析得到标题和文章条目从而从中分离到word再计数。

Python代码如下：

import feedparser
import re

# Returns title and dictionary of word counts for an RSS feed
def getwordcounts(url):
  # Parse the feed
  d=feedparser.parse(url)
  wc={}

  # Loop over all the entries
  for e in d.entries:
    if 'summary' in e: summary=e.