C_son的专栏

上一篇博文介绍了层次聚类算法的实现http://blog.csdn.net/c_son/article/details/43900503 ，可以发现其效率比较低下，因为每次迭代都要计算每两个聚簇之间的距离。这次的k-means算法在效率上要优于层次聚类算法。              算法实现：       1）从样本D中随机选取K个元素，作为K个簇的中心       2）分别计算剩下

简单工厂设计模式，java实现

一  定义保证一个类只有仅有一个实例，并提供一个访问它的全局访问点。二  案例一个很简单的案例，读取配置文件，这里读取properties文件。三  未使用模式的情况很容易写出如下代码：import java.io.IOException;import java.io.InputStream;import java.util.Properties;/

之前博客提到的KNN算法以及决策树算法都是要求分类器给出“该数据实例属于哪一类”这类问题的明确答案，正因为如此，才出现了使用决策树分类时，有时无法判定某一测试实例属于哪一类别。使用朴素贝叶斯算法则可以避免这个问题，它给出了这个实例属于某一类别的概率值，然后通过比较概率值，可以找到该实例最有可能属于哪一类别。       该算法可以用如下形式表示：       直接求解概率值很困难，

Swing应用程序员常见的错误是误用Swing事件调度线程（Event DispatchThread，EDT)。他们要么从非UI线程访问UI组件；要么不考虑事件执行顺序；要么不使用独立任务线程而在EDT线程上执行耗时任务，结果使编写的应用程序变得响应迟钝、速度很慢。耗时计算和输入/输出(IO)密集型任务不应放在SwingEDT上运行。发现这种问题的代码并不容易，但Java SE6提供了java

KNN算法属于监督学习算法，是一种用于分类的非常简单的算法。简单的说，KNN算法采用测量不同特征值之间的距离方法进行分类。具体算法如下：       1）计算已知类别数据集中的点与当前点之间的距离       2）按照距离递增次序排序       3）选取与当前距离最小的k个点       4）确定前k个点所在类别的出现频率       5）返回前k个点出现频率最高的类别作为当

前几天，一直在学习爬虫，然后最近想到了一个不错的idea，想以这个小demo来结束爬虫的学习。       是这样的：登入qq空间，爬取自己或者好友的所有说说记录，然后区统计分析一共发了多少说说，每条说说的评论有多少，谁评论的最多，有多少赞，谁赞最多，还有可以找出你的qq好友中男女比例多少，来自哪里，什么星座等等。       这里讲下具体思路，具体代码我托管到github，有兴趣的朋友可

package logistic;import java.util.List;public class Horse { private List attributes; private String label; public List getAttributes() { return attributes; } public void setAttributes(L

这个寒假在学习机器学习，很多案例中的数据集需要用图表呈现，因此，我总结了一些常用的图表代码，为日后使用提供方便。       说明：以下的代码只涉及极少一部分jfreechart的API，如果想进一步了解，请访问它的主页http://www.jfree.org/jfreechart/ 。并且，以下的代码均不可以直接复制然后运行，需要进一步实现自己的数据集，数据集的接口，我已经预留，大家实现即可

聚类算法属于机器学习中一种无监督学习算法。聚类方法一般可以分为层次聚类与非层次聚类两种。其中层次聚类算法又可以分为合并法与分解法；同样非层次聚类算法也可以分为多种，常用的有K-means算法。这篇博客先来实现层次聚类算法中的合并法，我会在下一篇博文中讲述K-means算法。       其中，合并法是指：初始阶段，将每个样本点当做其类簇，然后合并这些原子类簇直至达到预期的类簇数或者其他终止条件

最近在看《集体智慧编程》，相比其他机器学习的书籍，这本书有许多案例，更贴近实际，而且也很适合我们这种准备学习machine learning的小白。       这本书我觉得不足之处在于，里面没有对算法的公式作讲解，而是直接用代码去实现，所以给想具体了解该算法带来了不便，所以想写几篇文章来做具体的说明。以下是第一篇，对皮尔逊相关系数作讲解，并采用了自己比较熟悉的java语言做实现。

前文讲了基于皮尔逊相关系数的相似度计算方法，这次介绍一个更加简单的相似度计算算法——欧几里得度量。       算法描述如下：       欧几里得度量定义欧几里得空间中，点x =(x1,...,xn)和 y =(y1,...,yn)之间的距离为       很简单吧，我也不多做描述了，直接贴代码。package euclideanMetric;/** * @auth

外观模式 -- JAVA实现