基于Canopy聚类的协同过滤算法代码实现（输出聚类计算过程，分布图展示）

基于Canopy聚类的协同过滤算法代码实现（输出聚类计算过程，分布图展示）

聚类(Clustering)就是将数据对象分组成为多个类或者簇 (Cluster)，它的目标是：在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。所以，在很多应用中，一个簇中的数据对象可以被作为一个整体来对待，从而减少计算量或者提高计算质量。

一、Canopy聚类算法实现原理

Canopy聚类算法的基本原则是：首先应用成本低的近似的距离计算方法高效的将数据分为多个组，这里称为一个 Canopy，暂时翻译为“树冠”，Canopy之间可以有重叠的部分；然后采用严格的距离计算方式准确的计算在同一Canopy中的点，将他们分配与最合适的簇中。Canopy聚类算法经常用于K均值聚类算法的预处理，用来找合适的k值和簇中心。

下面详细介绍一下创建Canopy的过程：初始，假设我们有一组点集S，并且预设了两个距离阈值T1、T2（T1>T2）；然后选择一个点，计算它与S中其他点的距离（这里采用成本很低的计算方法），将距离在T1以内的放入一个Canopy中，同时从S中去掉那些与此点距离在T2以内的点（这里是为了保证和中心距离在T2以内的点不能再作为其他Canopy的中心），重复整个过程直到S为空为止。

本文主要是java语言实现，1000个点（本文是二维向量，也可以是多维，实现原理和程序一样），程序运行过程中会输出每一次遍历点的簇中心，和簇中包含的点，并将最终结果通过插件在html中显示。

二、Canopy聚类算法实现部分步骤

将本地文件读取到点集合中：

三、Canopy聚类算法实现结果

1、运算结果：

2、分布图：

 

 

需要源代码的朋友可联系我们，也可以留言、私信交流。