调用WEKA包进行kmeans聚类(java)

2024-06-20 17:08

本文主要是介绍调用WEKA包进行kmeans聚类(java),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

所用数据文件:data1.txt

[plain]  view plain copy
print ?
  1. @RELATION data1  
  2.   
  3.   
  4. @ATTRIBUTE one REAL  
  5. @ATTRIBUTE two REAL  
  6.   
  7.   
  8.   
  9.   
  10. @DATA  
  11. 0.184000 0.482000  
  12. 0.152000 0.540000  
  13. 0.152000 0.596000  
  14. 0.178000 0.626000  
  15. 0.206000 0.598000  
  16. 0.230000 0.562000  
  17. 0.224000 0.524000  
  18. 0.204000 0.540000  
  19. 0.190000 0.572000  
  20. 0.216000 0.608000  
  21. 0.240000 0.626000  
  22. 0.256000 0.584000  
  23. 0.272000 0.546000  
  24. 0.234000 0.468000  
  25. 0.222000 0.490000  
  26. 0.214000 0.414000  
  27. 0.252000 0.336000  
  28. 0.298000 0.336000  
  29. 0.316000 0.376000  
  30. 0.318000 0.434000  
  31. 0.308000 0.480000  
  32. 0.272000 0.408000  
  33. 0.272000 0.462000  
  34. 0.280000 0.524000  
  35. 0.296000 0.544000  
  36. 0.340000 0.534000  
  37. 0.346000 0.422000  
  38. 0.354000 0.356000  
  39. 0.160000 0.282000  
  40. 0.160000 0.282000  
  41. 0.156000 0.398000  
  42. 0.138000 0.466000  
  43. 0.154000 0.442000  
  44. 0.180000 0.334000  
  45. 0.184000 0.300000  
  46. 0.684000 0.420000  
  47. 0.678000 0.494000  
  48. 0.710000 0.592000  
  49. 0.716000 0.508000  
  50. 0.744000 0.528000  
  51. 0.716000 0.540000  
  52. 0.692000 0.540000  
  53. 0.696000 0.494000  
  54. 0.722000 0.466000  
  55. 0.738000 0.474000  
  56. 0.746000 0.484000  
  57. 0.750000 0.500000  
  58. 0.746000 0.440000  
  59. 0.718000 0.446000  
  60. 0.692000 0.466000  
  61. 0.746000 0.418000  
  62. 0.768000 0.460000  
  63. 0.272000 0.290000  
  64. 0.240000 0.376000  
  65. 0.212000 0.410000  
  66. 0.154000 0.564000  
  67. 0.252000 0.704000  
  68. 0.298000 0.714000  
  69. 0.314000 0.668000  
  70. 0.326000 0.566000  
  71. 0.344000 0.468000  
  72. 0.324000 0.632000  
  73. 0.164000 0.688000  
  74. 0.216000 0.684000  
  75. 0.392000 0.682000  
  76. 0.392000 0.628000  
  77. 0.392000 0.518000  
  78. 0.398000 0.502000  
  79. 0.392000 0.364000  
  80. 0.360000 0.308000  
  81. 0.326000 0.308000  
  82. 0.402000 0.342000  
  83. 0.404000 0.418000  
  84. 0.634000 0.458000  
  85. 0.650000 0.378000  
  86. 0.698000 0.348000  
  87. 0.732000 0.350000  
  88. 0.766000 0.364000  
  89. 0.800000 0.388000  
  90. 0.808000 0.428000  
  91. 0.826000 0.466000  
  92. 0.842000 0.510000  
  93. 0.842000 0.556000  
  94. 0.830000 0.594000  
  95. 0.772000 0.646000  
  96. 0.708000 0.654000  
  97. 0.632000 0.640000  
  98. 0.628000 0.564000  
  99. 0.624000 0.352000  
  100. 0.650000 0.286000  
  101. 0.694000 0.242000  
  102. 0.732000 0.214000  
  103. 0.832000 0.214000  
  104. 0.832000 0.264000  
  105. 0.796000 0.280000  
  106. 0.778000 0.288000  
  107. 0.770000 0.294000  
  108. 0.892000 0.342000  
  109. 0.910000 0.366000  
  110. 0.910000 0.394000  
  111. 0.872000 0.382000  
  112. 0.774000 0.314000  
  113. 0.718000 0.252000  
  114. 0.688000 0.284000  
  115. 0.648000 0.322000  
  116. 0.602000 0.460000  
  117. 0.596000 0.496000  
  118. 0.570000 0.550000  
  119. 0.564000 0.592000  
  120. 0.574000 0.624000  
  121. 0.582000 0.644000  
  122. 0.596000 0.664000  
  123. 0.662000 0.704000  
  124. 0.692000 0.722000  
  125. 0.710000 0.736000  
  126. 0.848000 0.732000  
  127. 0.888000 0.686000  
  128. 0.924000 0.514000  
  129. 0.914000 0.470000  
  130. 0.880000 0.492000  
  131. 0.848000 0.706000  
  132. 0.730000 0.736000  
  133. 0.676000 0.734000  
  134. 0.628000 0.732000  
  135. 0.782000 0.708000  
  136. 0.806000 0.674000  
  137. 0.830000 0.630000  
  138. 0.564000 0.730000  
  139. 0.554000 0.538000  
  140. 0.570000 0.502000  
  141. 0.572000 0.432000  
  142. 0.590000 0.356000  
  143. 0.652000 0.232000  
  144. 0.676000 0.178000  
  145. 0.684000 0.152000  
  146. 0.728000 0.172000  
  147. 0.758000 0.148000  
  148. 0.864000 0.176000  
  149. 0.646000 0.242000  
  150. 0.638000 0.254000  
  151. 0.766000 0.276000  
  152. 0.882000 0.278000  
  153. 0.900000 0.278000  
  154. 0.906000 0.302000  
  155. 0.892000 0.316000  
  156. 0.570000 0.324000  
  157. 0.798000 0.150000  
  158. 0.832000 0.114000  
  159. 0.714000 0.156000  
  160. 0.648000 0.154000  
  161. 0.644000 0.212000  
  162. 0.642000 0.250000  
  163. 0.658000 0.284000  
  164. 0.710000 0.296000  
  165. 0.794000 0.288000  
  166. 0.846000 0.260000  
  167. 0.856000 0.304000  
  168. 0.858000 0.392000  
  169. 0.858000 0.476000  
  170. 0.778000 0.640000  
  171. 0.736000 0.662000  
  172. 0.718000 0.690000  
  173. 0.634000 0.692000  
  174. 0.596000 0.710000  
  175. 0.570000 0.720000  
  176. 0.554000 0.732000  
  177. 0.548000 0.686000  
  178. 0.524000 0.740000  
  179. 0.598000 0.768000  
  180. 0.660000 0.796000  

前言:Kmeans是一种非常经典的聚类算法。它利用簇的中心到对象的距离来分配每个对象的簇所属关系。同时迭代的进行簇的中心的更新以及簇分配的更新,直到收敛。


下面是调用weka包中实现的kmeans的代码


[java]  view plain copy
print ?
  1. package others;  
  2.   
  3. import java.io.File;  
  4.   
  5. import weka.clusterers.SimpleKMeans;  
  6. import weka.core.DistanceFunction;  
  7. import weka.core.Instances;  
  8. import weka.core.converters.ArffLoader;  
  9.   
  10. public class ArrayListTest {  
  11.   
  12.     public static void main(String[] args){  
  13.         Instances ins = null;  
  14.           
  15.         SimpleKMeans KM = null;  
  16.         DistanceFunction disFun = null;  
  17.           
  18.         try {  
  19.             // 读入样本数据  
  20.             File file = new File("data/data1.txt");  
  21.             ArffLoader loader = new ArffLoader();  
  22.             loader.setFile(file);  
  23.             ins = loader.getDataSet();  
  24.               
  25.             // 初始化聚类器 (加载算法)  
  26.             KM = new SimpleKMeans();  
  27.             KM.setNumClusters(4);       //设置聚类要得到的类别数量  
  28.             KM.buildClusterer(ins);     //开始进行聚类  
  29.             System.out.println(KM.preserveInstancesOrderTipText());  
  30.             // 打印聚类结果  
  31.             System.out.println(KM.toString());  
  32.               
  33.         } catch(Exception e) {  
  34.             e.printStackTrace();  
  35.         }  
  36.     }  
  37. }  

这篇关于调用WEKA包进行kmeans聚类(java)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1078742

相关文章

Java中流式并行操作parallelStream的原理和使用方法

《Java中流式并行操作parallelStream的原理和使用方法》本文详细介绍了Java中的并行流(parallelStream)的原理、正确使用方法以及在实际业务中的应用案例,并指出在使用并行流... 目录Java中流式并行操作parallelStream0. 问题的产生1. 什么是parallelS

Java中Redisson 的原理深度解析

《Java中Redisson的原理深度解析》Redisson是一个高性能的Redis客户端,它通过将Redis数据结构映射为Java对象和分布式对象,实现了在Java应用中方便地使用Redis,本文... 目录前言一、核心设计理念二、核心架构与通信层1. 基于 Netty 的异步非阻塞通信2. 编解码器三、

SpringBoot基于注解实现数据库字段回填的完整方案

《SpringBoot基于注解实现数据库字段回填的完整方案》这篇文章主要为大家详细介绍了SpringBoot如何基于注解实现数据库字段回填的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以了解... 目录数据库表pom.XMLRelationFieldRelationFieldMapping基础的一些代

一篇文章彻底搞懂macOS如何决定java环境

《一篇文章彻底搞懂macOS如何决定java环境》MacOS作为一个功能强大的操作系统,为开发者提供了丰富的开发工具和框架,下面:本文主要介绍macOS如何决定java环境的相关资料,文中通过代码... 目录方法一:使用 which命令方法二:使用 Java_home工具(Apple 官方推荐)那问题来了,

Java HashMap的底层实现原理深度解析

《JavaHashMap的底层实现原理深度解析》HashMap基于数组+链表+红黑树结构,通过哈希算法和扩容机制优化性能,负载因子与树化阈值平衡效率,是Java开发必备的高效数据结构,本文给大家介绍... 目录一、概述:HashMap的宏观结构二、核心数据结构解析1. 数组(桶数组)2. 链表节点(Node

Java AOP面向切面编程的概念和实现方式

《JavaAOP面向切面编程的概念和实现方式》AOP是面向切面编程,通过动态代理将横切关注点(如日志、事务)与核心业务逻辑分离,提升代码复用性和可维护性,本文给大家介绍JavaAOP面向切面编程的概... 目录一、AOP 是什么?二、AOP 的核心概念与实现方式核心概念实现方式三、Spring AOP 的关

详解SpringBoot+Ehcache使用示例

《详解SpringBoot+Ehcache使用示例》本文介绍了SpringBoot中配置Ehcache、自定义get/set方式,并实际使用缓存的过程,文中通过示例代码介绍的非常详细,对大家的学习或者... 目录摘要概念内存与磁盘持久化存储:配置灵活性:编码示例引入依赖:配置ehcache.XML文件:配置

Java 虚拟线程的创建与使用深度解析

《Java虚拟线程的创建与使用深度解析》虚拟线程是Java19中以预览特性形式引入,Java21起正式发布的轻量级线程,本文给大家介绍Java虚拟线程的创建与使用,感兴趣的朋友一起看看吧... 目录一、虚拟线程简介1.1 什么是虚拟线程?1.2 为什么需要虚拟线程?二、虚拟线程与平台线程对比代码对比示例:三

Java中的.close()举例详解

《Java中的.close()举例详解》.close()方法只适用于通过window.open()打开的弹出窗口,对于浏览器的主窗口,如果没有得到用户允许是不能关闭的,:本文主要介绍Java中的.... 目录当你遇到以下三种情况时,一定要记得使用 .close():用法作用举例如何判断代码中的 input

Spring Gateway动态路由实现方案

《SpringGateway动态路由实现方案》本文主要介绍了SpringGateway动态路由实现方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随... 目录前沿何为路由RouteDefinitionRouteLocator工作流程动态路由实现尾巴前沿S