基于Kmeans+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Kmeans+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、Kmeans+Canopy聚类算法实现原理

影响Kmeans聚类算法结果的因素有距离阀值、初始簇的选择、遍历次数，其中距离阀值和遍历次数可通过不断测试来实现最佳，但是初始簇的选择如果是随机选择，每次运行的结果差别可能会很大，使用Canopy聚类算法用于K均值聚类算法的预处理，用来找合适的k值和簇中心效果较好。

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、Kmeans+Canopy聚类算法实现部分步骤

将本地文件读取到点集合中：

三、Kmeans+Canopy聚类算法实现结果

1、Canopy运算结果：

2、Kmeans+Canopy运算结果：

3、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。