1、K-MEANS算法：k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
网站建设哪家好，找成都创新互联！专注于网页设计、网站建设、微信开发、小程序开发、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了长岛免费建站欢迎大家使用！
2、写一个使用K-Means文本聚类算法对几万条文本记录（每条记录的特征向量大约10来个）进行文本聚类时，由于程序细节上有问题，就导致了Javaheap space的内存溢出问题，后来通过修改程序得到了解决。
3、因此，如果K-Means聚类中选择欧几里德距离计算距离，数据集又出现了上面所述的情况，就一定要进行数据的标准化（normalization），即将数据按比例缩放，使之落入一个小的特定区间。
密度越大，从相邻节点直接密度可达的距离就越小。optics算法用一个可达距离升序排列的有序种子队列迅速定位稠密空间的数据对象。
DBSCAN是基于密度空间的聚类算法，与KMeans算法不同，它不需要确定聚类的数量，而是基于数据推测聚类的数目，它能够针对任意形状产生聚类。
一般来说，如果数据集是稠密的，并且数据集不是凸的，那么用DBSCAN会比K-Means聚类效果好很多。 如果数据集不是稠密的，则不推荐用DBSCAN来聚类 。
DBSCAN算法的主要思想是，认为密度稠密的区域是一个聚类，各个聚类是被密度稀疏的区域划分开来的。 也就是说，密度稀疏的区域构成了各个聚类之间的划分界限。
聚类输出样本号的方法：创建一个分词文件，里面是每个样本分词结果！data文件（f.txt）中每个样本的特征向量就是基于原始样本分词结果生成的，分词文件（里面是文本）与data文件（里面有特征向量）中的样本顺序是保持一致的。
确定聚类分析的结果，确定每个类别的观察值。 构建卡方检验的计算表，计算每个类别的期望值。 计算卡方统计量，并计算p值。 根据p值的大小，判断两个分类变量之间是否存在显著的关联。
分词后有没有离散化，确保你的arff文件中attribute必须是一个一个的词，当然训练时也要包含类别信息，用于聚类后的验证，离散化后转成vsm模式，聚类方法你估计用的weka接口实现的，kmeans的输入参数可以指定聚几个类。
第一个步骤是预聚类，就是根据定义的最大类别数对个案进行初步归类；第二个步骤是正式聚类，就是对第一步得到的初步归类进行再聚类并确定最终聚类结果，并且在这一步中，会根据一定的统计标准确定聚类的类别数。
聚类分析对极端值敏感，同时变量数据的量纲也会影响到聚类结果，需要做标准化处理。结果依赖于第一次初始分类，聚类中绝大多数重要变化均发生在第一次分配中。
