光谱聚类演示回顾2014年NU机器学习会议上的MATLAB展示

我在2013年和2014年期间在鲁昂的INSA和鲁昂大学学习期间参与了几乎所有的机器学习实践课程。这些课程的重点是实施机器学习算法，以便深入了解它们的运作方式。尽管大多数评论是用法语写的，但是代码和图表易于理解。

多光谱聚类算法在Matlab中的开发。Yu和Shi（2003）提出了一种多类光谱聚类方法。

Matlab交叉检验代码SpectralClustering_RandomBinning（SC_RB）提供了一种简单的方法，利用最新的随机分箱特征来扩展光谱聚类。该代码结合了内核逼近（Random Binning）和特征值/奇异值求解器（PRIMME），适用于处理大规模数据集。详细信息可以在Wu等人的论文中找到：“使用随机分箱特征的可伸缩光谱聚类”（KDD'18）以及IBM Research AI Blog中获取。为了运行此代码，用户需要安装RB、PRIMME和LibSVM工具包，并编译相应的MEX文件以适配Mac、Linux或Windows操作系统。此外，还需下载符合libsvm格式的数据集，将训练和测试数据集合并为一个文件。推荐搜索最佳的超参数sigma，以获得最佳性能。

聚类算法用于无监督学习，将没有明确分类映射关系的物品分组，解决了没有历史数据时对物品分类的需求。例如，可应用于客户价值划分、网页归类等场景。

Java聚类算法可视化不同聚类算法的工具集合，展示每个算法步骤的动态演示。包括KMeans、ISODATA、FLAME和DBSCAN。通过运行Plot.java文件，您可以观看动画演示。数据为随机生成，但展示了各算法的相关模式。

探讨了在联机数据挖掘系统中并行和增量聚类算法的应用，并提供了算法的伪码。实验结果显示，相较于传统的Apriori算法，联机增量聚类算法具有显著优势，同时验证了增量聚类算法及其在联机数据挖掘系统中的实际效用。

该算法采用贪心策略结合EM算法，通过优化数据与模型的匹配度，寻找数据对GMM模型的最佳匹配，从而实现基于模型的聚类。

你可以在数据挖掘课程中找到不同算法的Python实现。教程语言为R。包含了从头开始使用网络爬虫实现的100多行基于NLP的IMBD搜索引擎，还包括线性回归、支持向量机、神经网络和时间序列分析。

请引用：Emre Güngör，Ahmet Özmen，使用高斯核的基于距离和密度的聚类算法，发表于《Expert Systems with Applications》第69卷，2017年，第10-20页，ISSN 0957-4174。详细信息请参阅原始文章链接：https://doi.org/10.1016/j.eswa.2016.10.022 （http://www.sciencedirect.com/science/article/pii/S095741630553X）。对于聚类数据集和/或形状集，您可以查看：https://cs.joensuu.fi/sipu/datasets/