c++实现矩阵的余弦相似度

#include<iostream>
#include<math.h>
using namespace std;
double mycosine(int* arrayA,int* arrayB,int length){
    if(!arrayA||!arrayB) return 0;
    double sumarrayA=0,sumarrayB=0;
    double cosine=0;
    for(int i=0;i<length;i++){
        sumarrayA+=arrayA[i]*arrayA[i];
        sumarrayB+=arrayB[i]*arrayB[i];
        cosine+=arrayA[i]*arrayB[i];
    }
    sumarrayA=sqrt(sumarrayA);
    sumarrayB=sqrt(sumarrayB);
    if((sumarrayA-0<0.0001)||(sumarrayB-0<0.0001)){
        return 0;
    }
    cosine/=(sumarrayA*sumarrayB);
//  cout<<sumarrayA<<' '<<sumarrayB<<' '<<cosine<<endl;
    return cosine;
}

int main(){
    int length;
    cin>>length;
    int* arrayA=new int[length];
    int* arrayB=new int[length];
    char tag='y';
    while(tag == 'y'){
        for(int i=0;i<length;i++){
            cin>>arrayA[i];
        }
        for(int i=0;i<length;i++){
            cin>>arrayB[i];
        }
        cout<<mycosine(arrayA,arrayB,length)<<endl;
        cin>>tag;
    }


}
### 回答1: 谱聚类是一种基于图论的聚类算法,通过将数据看作图上的节点,将似的节点连接起来,然后利用图的谱结构对节点进行划分。下面是一个用 C 语言实现谱聚类算法的示例代码: ```c #include <stdio.h> #include <stdlib.h> #include <math.h> #define MAX_N 1000 // 最大样本数 #define MAX_K 10 // 最大聚类数 #define MAX_ITER 1000 // 最大迭代次数 #define EPSILON 0.0001 // 收敛阈值 // 计算欧几里得距离 double euclidean_distance(double *x, double *y, int n) { double d = 0.0; for (int i = 0; i < n; i++) { d += pow(x[i] - y[i], 2); } return sqrt(d); } // 构建似度矩阵 void similarity_matrix(double *X, int n, int d, double *W) { double sigma = 1.0; // 高斯核参数 for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { double *x = &X[i * d]; double *y = &X[j * d]; double d = euclidean_distance(x, y, d); W[i * n + j] = exp(-d / (2 * sigma * sigma)); } } } // 计算拉普拉斯矩阵 void laplacian_matrix(double *W, int n, double *L) { double *D = (double *) malloc(n * n * sizeof(double)); for (int i = 0; i < n; i++) { double d = 0.0; for (int j = 0; j < n; j++) { d += W[i * n + j]; } D[i * n + i] = d; } for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { L[i * n + j] = D[i * n + j] - W[i * n + j]; } } free(D); } // 计算前 k 个特征值和对应的特征向量 void eigen(double *L, int n, int k, double *eigvals, double *eigvecs) { // 通过迭代法计算前 k 个特征值和对应的特征向量 // 这里省略了迭代过程的代码,直接将结果赋值给 eigvals 和 eigvecs } // K-means 聚类 void kmeans(double *X, int n, int d, int k, int *labels) { // 选取 k 个随机的样本作为聚类中心 double *centroids = (double *) malloc(k * d * sizeof(double)); for (int i = 0; i < k; i++) { int j = rand() % n; double *x = &X[j ### 回答2: 谱聚类是一种无监督学习算法,用于将数据集划分为不同的聚类。下面是一个用于实现谱聚类算法的基本步骤: 1. 构建似度矩阵:根据数据集中的样本点之间的似性来构建似度矩阵。常用的似度度量方法包括欧氏距离、余弦相似度等。可以选择使用高斯核函数或k邻近方法计算样本点之间的似度。 2. 构建拉普拉斯矩阵:从似度矩阵中构建拉普拉斯矩阵。拉普拉斯矩阵有三种常见的构建方法:标准拉普拉斯矩阵、对称归一化拉普拉斯矩阵和随机游走拉普拉斯矩阵。 3. 特征值分解:对拉普拉斯矩阵进行特征值分解,得到特征值和对应的特征向量。 4. 特征向量聚类:选择前k个最小特征值对应的特征向量,其中k是目标聚类数量。将这些特征向量组成新的矩阵,然后利用KMeans或其他聚类算法对这些特征向量进行聚类。 5. 输出聚类结果:将样本点根据聚类结果进行分类,得到最终的聚类结果。 在实现谱聚类算法时,需要选择合适的似度度量方法和特征值分解的方法,以及设置合适的参数。同时,还需要注意处理数据集中的异常点和噪声,以提高聚类结果的准确性。 ### 回答3: 谱聚类是一种基于图论的聚类算法,旨在将样本点分为不同的类别。下面是一个实现谱聚类算法的步骤: 1. 构建似度矩阵:计算每个样本点之间的似度,常用的似度计算方法有欧几里得距离、高斯核函数等。将似度构成的矩阵称为似度矩阵。 2. 构建拉普拉斯矩阵:根据似度矩阵构建拉普拉斯矩阵。拉普拉斯矩阵有多种形式,常用的有非归一化拉普拉斯矩阵、对称归一化拉普拉斯矩阵和随机游走拉普拉斯矩阵。 3. 对拉普拉斯矩阵进行特征值分解:将拉普拉斯矩阵进行特征值分解,得到特征值和对应的特征向量。 4. 选择特征向量进行聚类:根据选定的特征向量,进行聚类操作。一般选择特征值较小的几个对应的特征向量,可以使用k-means等聚类算法进行进一步的聚类操作。 5. 输出聚类结果:将聚类结果进行输出,每个样本点分配到一个聚类类别中。 谱聚类算法的优点是能够处理非线性可分的数据,对于高维数据也有较好的效果。但是谱聚类算法的缺点是计算复杂度较高。在实际应用中可以使用快速谱聚类算法来加速计算过程。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值