该楼层疑似违规已被系统折叠 隐藏此楼查看此楼

利用K-Means聚类算法实现对iris.data.ulabel数据的聚类，这是在网上找到如果要换成我的iris.date

iris.date.ulable请问在哪些地方改

package com.company;

import java.io.File;

import java.util.Scanner;

import java.util.Vector;

import static com.sun.org.apache.xalan.internal.lib.ExsltStrings.split;

public class Main {

public static Vector indata = new Vector<>(); //存储从文件中读取的原始数据

public static Vector data = new Vector<>(); //存储经过处理后的每一个样本的各个属性值和所属分类

public static Vector init_kernal = new Vector<>();//存储每次迭代产生的聚类核心的每个属性值的均值

public static boolean loadData(String url) {//加载测试的数据文件

try {

Scanner in = new Scanner(new File(url));//读入文件

while (in.hasNextLine()) {

String str = in.nextLine();//将文件的每一行存到str的临时变量中

indata.add(str);//将每一个样本点的数据追加到Vector 中

}

return true;

} catch (Exception e) { //如果出错返回false

return false;

}

}

public static void pretreatment(Vector indata) { //数据预处理，将原始数据中的每一个属性值提取出来存放到Vector data中

int i = 0;

String t;

while (i < indata.size()) {//取出indata中的每一行值

double[] tem = new double[5];

t = indata.get(i);

String[] sourceStrArray = t.split(",", 5);//使用字符串分割函数提取出各属性值

for (int j = 0; j < 4; j++) {

tem[j] = Double.parseDouble(sourceStrArray[j]);//将每一个的样本的各属性值类型转换后依次存入到double[]数组中

}

tem[4] = 0;//tem的第五个值表示所属类别，1.0表示第一类，2.0表示第二类，3.0表示第三类，初始化为0不属于任何类

data.add(tem);//将每一个样本加入到data中

i++;

}

}

public static Vector set_kernal(Vector data, int a, int b, int c) {//设置初始的聚类核心，a，b，c分别表示一个类的核心在data中的编号

init_kernal.add(data.get(a));

init_kernal.add(data.get(b));

init_kernal.add(data.get(c));

return init_kernal;

}

public static int choose(double[] data, double[] a, double[] b, double[] c) {//判断一个样本属于哪一个类，返回值1表示第一类，2表示第二类，3表示第三类

double ta, tb, tc;

//ta，tb，tc分别表示一个样本点到三个聚类核心的欧式距离的平方

ta = (data[0] - a[0]) * (data[0] - a[0]) + (data[1] - a[1]) * (data[1] - a[1]) + (data[2] - a[2]) * (data[2] - a[2]) + (data[3] - a[3]) * (data[3] - a[3]);

tb = (data[0] - b[0]) * (data[0] - b[0]) + (data[1] - b[1]) * (data[1] - b[1]) + (data[2] - b[2]) * (data[2] - b[2]) + (data[3] - b[3]) * (data[3] - b[3]);

tc = (data[0] - c[0]) * (data[0] - c[0]) + (data[1] - c[1]) * (data[1] - c[1]) + (data[2] - c[2]) * (data[2] - c[2]) + (data[3] - c[3]) * (data[3] - c[3]);

if (ta == Math.min(Math.min(ta, tb), tc)) //如果到第一类的距离最小返回1

return 1;

else if (tb == Math.min(Math.min(ta, tb), tc))//如果到第二类的距离最小返回2

return 2;

else if (tc == Math.min(Math.min(ta, tb), tc))//如果到第三类的距离最小返回3

return 3;

return 0;

}

public static Vector onestep(Vector data, Vector kernal) {//函数执行一次表示kmeans的一次迭代

Vector newkernal = new Vector<>();//用于存放一次迭代后新的类的核心的各属性值

int i = 0;

double[] a = kernal.get(0); //a赋值为当前第一个类的核心

double[] b = kernal.get(1); //b赋值为当前第二类的核心

double[] c = kernal.get(2); //c赋值为当前第三类的核心

double[] temp;

while (i < data.size()) {//取出data中的每一个样本存放在temp中

temp = data.get(i);

temp[4] = (double) choose(temp, a, b, c);//调用choose函数判断当前样本属于哪一个类

i++;

}

double[] suma = {0, 0, 0, 0};

int al = 0;//表示当前第一类的样本个数

double[] sumb = {0, 0, 0, 0};

int bl = 0;//当前第二类的样本个数

double[] sumc = {0, 0, 0, 0};

int cl = 0;//当前第三类的样本个数

i = 0;

while (i < data.size()) {

double[] t = data.get(i);

if (t[4] == 1.0) { //如果当前样本属于第一类

for (int j = 0; j < 4; j++) {

suma[j] = suma[j] + t[j];

}

al++; //该类的样本个数加一

} else if (t[4] == 2.0) {

for (int j = 0; j < 4; j++) {

sumb[j] = sumb[j] + t[j];

}

bl++;

} else if (t[4] == 3.0) {

for (int j = 0; j < 4; j++) {

sumc[j] = sumc[j] + t[j];

}

cl++;

}

i++;//指向下一个样本继续循环

}

for (int j = 0; j < 4; j++) {//计算出本次迭代后的每个类的核心的坐标

suma[j] = suma[j] / al;

sumb[j] = sumb[j] / bl;

sumc[j] = sumc[j] / cl;

}

//将新的类的核心添加入到newkernal中

newkernal.add(suma);

newkernal.add(sumb);

newkernal.add(sumc);

return newkernal;//返回本次迭代后的新的类的核心

}

public static void k_means() {//k_means算法的实现

while (true) {

boolean con = true;

Vector t = onestep(data, init_kernal);//将 data和当前的init_kernal传入onestep函数进行一次迭代，返回值为迭代后的类的核心

//判断本次迭代后返回的类的核心是不是和迭代之前的类的核心相同，如果不相同con被设为false，继续迭代。

for (int i = 0; i < t.size(); i++) {

for (int j = 0; j < 4; j++) {

if (t.get(i)[j] != init_kernal.get(i)[j])

con = false;

}

}

if (con)//如果con为true说明本次迭代的核心和迭代之前的核心相同，说明聚类完成，退出循环

break;

else

init_kernal = t;//如果本次迭代返回的新的核心和迭代之前的不同，则当前核心设置为返回的新的核心，继续循环迭代

}

}

public static void show_category() {//打印出所有的样本的属性和所属类别

for (int i = 0; i < data.size(); i++) {

System.out.print((i + 1) + " ");

for (int j = 0; j < 5; j++) {

System.out.print(data.get(i)[j] + " ");

}

System.out.println();

}

}

public static void main(String[] args){

Main.loadData("e:/bezdekIris.data");

pretreatment(indata);//预处理

set_kernal(data, 20, 80, 130);//设置初始核心

k_means();

show_category();

}

}