最小平方和公式的hg平均聚类
hgmeans的Python项目详细描述
#hg-means
hg-means聚类的源代码，提出了一种有效的最小平方和聚类混合遗传算法（mssc）。这种基于种群的元启发式算法使用k-means作为局部搜索，结合交叉、变异和多样化算子。
as hg-means算法使用k-means，我们将greg hamerly的快速k-means实现的基本源文件（感谢您提供源代码）包含在这个存储库的`/hamerly'文件夹下。greg hamerly k-means的原始文件和完整的源代码可以在：https://github.com/ghamerly/fast kmeans上找到。
对于精确的交叉，hg-means使用dlib的实现（https://github.com/davisking/dlib）来解决分配问题。DLIB文件包含在"/DLIB主文件夹"中。
BR/> HG意味着可作为C++代码和Python程序包进行聚类。
BR/>相关文章
BR/> *HG方法：一种可扩展的最小平方和聚类混合遗传算法*。D.Gribel和T.Vidal，2019年。模式识别，http://doi.or.g//j.ptocg.20181.022
BR/>安装和运行
B/> > C++< BR/>< BR/>运行C++中的算法，转到"/HgEffess"文件夹并尝试以下命令序列：
BR/> `使"
"gt；/hg表示"dataset_path"pi_min n2[nb_clusters]`
\br/>\5和10个集群。
**重要：**您可以提供带有集群标签的基本事实文件。在这种情况下，请确保将具有相同数据集名称和".label"扩展名的文件放置在数据集的同一文件夹中。如果提供了这个文件，hg意味着集群将计算集群性能指标。请参阅**数据格式**部分，检查数据集和标签文件的预期数据格式。
确定遗传算法中种群的大小。
`n2`（默认值=5000）：最大迭代次数。确定算法将要进行的迭代总数。
`[nb_clusters]`：包含群集数的列表。您可以传递多个值，由一个单独的空间分隔。
π/Python
BR/> HG方法也可用作Python包。
> BR/>如果您使用Windows，请安装C++Bug工具，这里可以下载：HTTPS://GO.MySo.COM/FWLINK/？linkid=691126
<；！--首先，你应该安装cython。要安装cython，请参阅官方安装页面：
https://cython.readthedocs.io/en/latest/src/quickstart/install.html-->；
要安装hg means，请运行以下安装命令：
`>；python-m pip install hg means`
就是这样！现在，打开python接口，导入包并创建hg means的实例。要执行它，只需使用相应的参数调用函数"go（）"。请参见下面的示例：
`>；>import hgments`
`>；>my_demo=hgments.pyhgments（）`
`>；>my_demo.go（'data/iris.txt'，10，5000，[2，5，10]）`
此脚本对"iris"数据集执行hg means算法，共有10个解决方案，最大数量为5000次迭代，以及2、5和10个集群。在这里，集群的数量是在一个数组中传递的，因此值用逗号分隔。
\data format
**data set files.*在数据集文件的第一行，设置数据点的数量（n）和数据的维度（d），用一个空格分隔。其余的行对应于数据点的坐标。每行包含D FEA的值样本的特征，其中x_i j对应于数据的第i个样本的第j个特征。每个特征值由一个空格分隔，如下面的方案所示：
| x_1d
x_21 x_22 x_23…| x_u 2d
..…………|
x_n1 x_n2 x_n3…| x_nd
在hg means repository的`/data`文件夹中提供了一些数据集。
**标签文件。**根据基本事实，标签文件的内容显示了数据集的每个样本的群集，其中y_i对应于第i个样本的标签：
…
**重要**：标签文件必须具有".label"扩展名。hg means repository中的`/data'文件夹中提供了一些标签。
<；！--##输出文件
算法执行后，输出文件保存在`/out'文件夹中，文件头如下：
生成以下标题：
文件 数据 br 文件夹 聚类 标签 hg means 公式
hg-means聚类的源代码，提出了一种有效的最小平方和聚类混合遗传算法（mssc）。这种基于种群的元启发式算法使用k-means作为局部搜索，结合交叉、变异和多样化算子。
as hg-means算法使用k-means，我们将greg hamerly的快速k-means实现的基本源文件（感谢您提供源代码）包含在这个存储库的`/hamerly'文件夹下。greg hamerly k-means的原始文件和完整的源代码可以在：https://github.com/ghamerly/fast kmeans上找到。
对于精确的交叉，hg-means使用dlib的实现（https://github.com/davisking/dlib）来解决分配问题。DLIB文件包含在"/DLIB主文件夹"中。
BR/> HG意味着可作为C++代码和Python程序包进行聚类。
BR/>相关文章
BR/> *HG方法：一种可扩展的最小平方和聚类混合遗传算法*。D.Gribel和T.Vidal，2019年。模式识别，http://doi.or.g//j.ptocg.20181.022
BR/>安装和运行
B/> > C++< BR/>< BR/>运行C++中的算法，转到"/HgEffess"文件夹并尝试以下命令序列：
BR/> `使"
"gt；/hg表示"dataset_path"pi_min n2[nb_clusters]`
\br/>\5和10个集群。
**重要：**您可以提供带有集群标签的基本事实文件。在这种情况下，请确保将具有相同数据集名称和".label"扩展名的文件放置在数据集的同一文件夹中。如果提供了这个文件，hg意味着集群将计算集群性能指标。请参阅**数据格式**部分，检查数据集和标签文件的预期数据格式。
确定遗传算法中种群的大小。
`n2`（默认值=5000）：最大迭代次数。确定算法将要进行的迭代总数。
`[nb_clusters]`：包含群集数的列表。您可以传递多个值，由一个单独的空间分隔。
π/Python
BR/> HG方法也可用作Python包。
> BR/>如果您使用Windows，请安装C++Bug工具，这里可以下载：HTTPS://GO.MySo.COM/FWLINK/？linkid=691126
<；！--首先，你应该安装cython。要安装cython，请参阅官方安装页面：
https://cython.readthedocs.io/en/latest/src/quickstart/install.html-->；
要安装hg means，请运行以下安装命令：
`>；python-m pip install hg means`
就是这样！现在，打开python接口，导入包并创建hg means的实例。要执行它，只需使用相应的参数调用函数"go（）"。请参见下面的示例：
`>；>import hgments`
`>；>my_demo=hgments.pyhgments（）`
`>；>my_demo.go（'data/iris.txt'，10，5000，[2，5，10]）`
此脚本对"iris"数据集执行hg means算法，共有10个解决方案，最大数量为5000次迭代，以及2、5和10个集群。在这里，集群的数量是在一个数组中传递的，因此值用逗号分隔。
\data format
**data set files.*在数据集文件的第一行，设置数据点的数量（n）和数据的维度（d），用一个空格分隔。其余的行对应于数据点的坐标。每行包含D FEA的值样本的特征，其中x_i j对应于数据的第i个样本的第j个特征。每个特征值由一个空格分隔，如下面的方案所示：
| x_1d
x_21 x_22 x_23…| x_u 2d
..…………|
x_n1 x_n2 x_n3…| x_nd
在hg means repository的`/data`文件夹中提供了一些数据集。
**标签文件。**根据基本事实，标签文件的内容显示了数据集的每个样本的群集，其中y_i对应于第i个样本的标签：
…
**重要**：标签文件必须具有".label"扩展名。hg means repository中的`/data'文件夹中提供了一些标签。
<；！--##输出文件
算法执行后，输出文件保存在`/out'文件夹中，文件头如下：
生成以下标题：
标签：
欢迎加入QQ群-->： 979659372
