KMeans.java

/**************************************************************************************************************************
(c) Copyright: Kevin Chen , No.79912001, 2010~2012. All rights reserved.
Author:         : Kevin Chen  
Desc            :
Change History  : -
Class used in   :
Change History  :   Level              Changed By              Date                        Change description
                   -------------------------------------------------------------------------------------------------------
                    (Initial)          Kevin Chen             20100112                  (Initial)
'**************************************************************************************************************************/

package e9912001;

public class KMeans {
    double[][] m_TestData;
    int m_NumOfClusters;
    int m_TestCases;
    int m_TestVariables;
    double[][] m_Centroid;
    int[][] m_aryResultClusters;
    int  m_MAXLOOP = 100;
    public int getM_NumOfClusters() {
        return m_NumOfClusters;
    }

    public void setM_NumOfClusters(int mNumOfClusters) {
        m_NumOfClusters = mNumOfClusters;
        m_ClusterNo = new int[m_NumOfClusters];
    }

    public double[][] getM_TestData() {
        return m_TestData;
    }

    public int getM_TestCases() {
        return m_TestCases;
    }

    public int getM_TestVariables() {
        return m_TestVariables;
    }

    public int[] getM_ClusterNo() {
        return m_ClusterNo;
    }
    public double[][] getM_Centroid() {
        return m_Centroid;
    }

    int[] m_ClusterNo ;
    
    public KMeans(double[][] input_data){
        m_TestData = input_data;
        m_TestCases = m_TestData.length;
        m_TestVariables = m_TestData[0].length;
        //m_NumOfGroups = (int)Math.Sqrt(m_TestCases) + 1;
        m_NumOfClusters = 3;
        m_ClusterNo = new int[m_NumOfClusters];
    }
    public double[] getGrandCentroid(){
        double[] ret = new double[this.m_TestVariables];
        int sum;

        for(int i=0; i < this.m_TestData.length;i++){
            sum =0;
            for(int j=0; j < this.m_TestData[i].length;j++){
                sum += this.m_TestData[i][j];
            }
            ret[i] = sum / this.m_TestCases;            
        }        
        return ret;
    }


    private int quickSortPartitions(double[][] list,int low,int high) {
        double prvotkey = list[low][1];
        double t0, t1;
        int i, j;
        i = low; j = high+1;
        
        while(true) {
            do ++i; while( list[i][1] <=  prvotkey && i <= high );
            do --j; while( list[j][1] > prvotkey );
            if( i >= j ) break;
            t0 = list[i][0]; list[i][0] = list[j][0]; list[j][0] = t0;
            t1 = list[i][1]; list[i][1] = list[j][1]; list[j][1] = t1;
       }
       t0 = list[low][0]; list[low][0] = list[j][0]; list[j][0] = t0;
       t1 = list[low][1]; list[low][1] = list[j][1]; list[j][1] = t1;
       return j;

    }

    private void quicksort(double[][] list,int low,int high){
        int prvotloc;
        if(low < high){
             prvotloc = quickSortPartitions(list, low, high);    //將第一次排序的结果作為樞軸
             quicksort(list, low, prvotloc - 1); //遞迴調用排序 由low 到 prvotloc - 1
             quicksort(list, prvotloc + 1, high); //遞迴調用排序 由  prvotloc + 1到 high
        }
    }

/*    public int[] getStartingPointArrayIndex(){        
        double[][] testDataDistance = new double[m_TestCases][2];        
        double Distance2Zero = 0.0; //點到群中心距離(群中心也是四維的點)
        
        for (int m = 0; m < this.m_TestCases;m++) {
            Distance2Zero = 0.0;
            for (int n = 0; n < m_TestVariables; n++) {//4個變數
                Distance2Zero += Math.pow((m_TestData[m][n] - 0), 2);                                        
            }
            testDataDistance[m][0] = m;
            testDataDistance[m][1] = Distance2Zero;
        }
        for(int i= 0; i < testDataDistance.length;i++){
            System.out.format("%d \n",(int) testDataDistance[i]);
        }
        System.out.println("======================================");
        quicksort(testDataDistance, 0, testDataDistance.length-1);
        for(int i= 0; i < testDataDistance.length;i++){
            System.out.format("%d=%f \n",(int)testDataDistance[i][0], testDataDistance[i][1]);
        }
        int x1 = Math.round(((m_TestCases-1-0)/(1-0))/3);
        int x2 = Math.round((((m_TestCases-1-0)/(1-0))*2)/3);
        double[] avgDist = new double[this.m_NumOfClusters];
        int[] retPos = new int[this.m_NumOfClusters];        
        double sum = 0.0;
        double tmpAvg = 0.0;
        for (int i = 0; i < x1+1 ; i++)
            sum += testDataDistance[i][1];
        avgDist[0]= sum/(x2+1);
        double min = Double.MAX_VALUE;
        int pos =0;
        double tmp;
        for (int i = 0; i < x1+1 ; i++){
            tmp = Math.abs( avgDist[0] - testDataDistance[i][1] );
            if (tmp < min) { min = tmp; pos = i;}
            
        }
        retPos[0] =  pos;        
        
        //*************************************
        sum = 0;
        for (int i = x1+1; i < x2+1 ; i++)
            sum += testDataDistance[i][1];
        avgDist[1] = sum/(x2+1);
        
        min = Double.MAX_VALUE;
        pos =0;
        for (int i = 0; i < x1+1 ; i++){
            tmp = Math.abs( avgDist[1] - testDataDistance[i][1] );
            if (tmp < min) { min = tmp; pos = i;}
            
        }
        retPos[1] =  pos;   
        
        //*************************************
        sum = 0;
        for (int i = x2+1; i < testDataDistance.length ; i++)
            sum += testDataDistance[i][1];
        avgDist[2] = sum/(x2+1);
        
        min = Double.MAX_VALUE;
        pos =0;
        for (int i = 0; i < x1+1 ; i++){
            tmp = Math.abs( avgDist[2] - testDataDistance[i][1] );
            if (tmp < min) { min = tmp; pos = i;}
            
        }
        retPos[2] =  pos;
 
        return retPos;

    }*/

 

    public int[] getStartingPointArrayIndex(){        
        double[][] testDataDistance = new double[m_TestCases][2];        
        double SumData = 0.0; //點到群中心距離(群中心也是四維的點)
        
        for (int m = 0; m < this.m_TestCases;m++) {
            SumData = 0.0;
            for (int n = 0; n < m_TestVariables; n++) {//4個變數
                SumData += Math.pow((m_TestData[m][n] - 0), 2);                                        
            }
            testDataDistance[m][0] = m;
            testDataDistance[m][1] = SumData;
        }
        /*for(int i= 0; i < testDataDistance.length;i++){
            System.out.format("%d \n",(int) testDataDistance[i]);
        }*/
        System.out.println("======================================");
        //quicksort(testDataDistance, 0, testDataDistance.length-1);
        for(int i= 0; i < testDataDistance.length;i++){
            System.out.format("%d=%f \n",(int)testDataDistance[i][0], testDataDistance[i][1]);
        }
        int x1 = Math.round(((m_TestCases-1-0)/(1-0))/3);
        int x2 = Math.round((((m_TestCases-1-0)/(1-0))*2)/3);
        double[] avgDist = new double[this.m_NumOfClusters];
        int[] retPos = new int[this.m_NumOfClusters];        
        double sum = 0.0;
        double tmpAvg = 0.0;
        for (int i = 0; i < x1+1 ; i++)
            sum += testDataDistance[i][1];
        avgDist[0]= sum/(x2+1);
        double min = Double.MAX_VALUE;
        int pos =0;
        double tmp;
        for (int i = 0; i < x1+1 ; i++){
            tmp = Math.abs( avgDist[0] - testDataDistance[i][1] );
            if (tmp < min) { min = tmp; pos = i;}
            
        }
        retPos[0] =  pos;        
        
        //*************************************
        sum = 0;
        for (int i = x1+1; i < x2+1 ; i++)
            sum += testDataDistance[i][1];
        avgDist[1] = sum/(x2+1);
        
        min = Double.MAX_VALUE;
        pos =0;
        for (int i = 0; i < x1+1 ; i++){
            tmp = Math.abs( avgDist[1] - testDataDistance[i][1] );
            if (tmp < min) { min = tmp; pos = i;}
            
        }
        retPos[1] =  pos;   
        
        //*************************************
        sum = 0;
        for (int i = x2+1; i < testDataDistance.length ; i++)
            sum += testDataDistance[i][1];
        avgDist[2] = sum/(x2+1);
        
        min = Double.MAX_VALUE;
        pos =0;
        for (int i = 0; i < x1+1 ; i++){
            tmp = Math.abs( avgDist[2] - testDataDistance[i][1] );
            if (tmp < min) { min = tmp; pos = i;}
            
        }
        retPos[2] =  pos;
 
        return retPos;

    }

 

/*    public int[] getStartingPointArrayIndex(){        
        int[] retPos = new int[this.m_NumOfClusters];   
        double[][] testDataDistance = new double[m_TestCases][2];        
        double SumData = 0.0; //點到群中心距離(群中心也是四維的點)
        double min = Double.MAX_VALUE;
        int minPos = 0;
        double max = Double.MIN_VALUE;
        int maxPos = 0;      
        
        for (int m = 0; m < this.m_TestCases;m++) {
            SumData = 0.0;
            for (int n = 0; n < m_TestVariables; n++) {//4個變數
                SumData += Math.pow((m_TestData[m][n] - 0), 2);                                        
            }
            testDataDistance[m][0] = m;
            testDataDistance[m][1] = SumData;
            if ( SumData < min) { min = SumData; minPos = m;}
            if ( SumData > max) { max = SumData; maxPos = m;}            
        }
        
        int width = (int)(max - min)/ m_NumOfClusters;
        double[] distributedData = new double[m_TestCases];   
        for (int m = 0; m < this.m_TestCases;m++) {
            
        }
        
 
        return retPos;

    }*/

 

    private void EuclideanDistance( double[][] centroid){
        //計算資料點到群中心的距離,將點放到不同的组中
        //每個資料點依據所給的變數 (例如: iris 有四個變數)的多維資料產生一個點
        //與目前群中心的距離
        for (int i = 0; i < m_TestCases; i++){ //iris 150 case
            double tmpDis = 0.0;
            int idxCluster = 0; //目前m_ClusterNo陣列位置
            for (int j = 0; j < m_NumOfClusters; j++) //3個分群數
            {
                double Distance2Centroid = 0.0; //點到群中心距離(群中心也是四維的點)
                for (int m = 0; m < m_TestVariables; m++) //4個變數
                    Distance2Centroid += Math.pow((m_TestData[i][m] - centroid[j][m]), 2);
                
                //如果目前的cluster編號是0, 重設m_ClusterNo的陣列索引值
                //目前點的距離暫存做比對
                if (j == 0){
                    tmpDis = Distance2Centroid;
                    idxCluster = 0;
                } else { //目前的cluster編號非0, 代表cluster =1,2...etc(端視分群數),
                    if (tmpDis > Distance2Centroid) {//將資料點指定給距離最近的群中心,這裡記錄群的索引值
                        tmpDis = Distance2Centroid;
                        idxCluster = j;
                    }
                    //這裡可以掠過判斷 tmpDis < Distance2Centroid
                }
            }
            int ClusterNo = m_ClusterNo[idxCluster];
            m_aryResultClusters[idxCluster][ClusterNo] = i + 1;
            m_ClusterNo[idxCluster]++; //紀錄各(3)群集中的資料個數
        }
    }
    
    private void EuclideanDistanceSquar( double[][] centroid){
        //計算資料點到群中心的距離,將點放到不同的组中
        //每個資料點依據所給的變數 (例如: iris 有四個變數)的多維資料產生一個點
        //與目前群中心的距離
        for (int i = 0; i < m_TestCases; i++){ //iris 150 case
            double tmpDis = 0.0;
            int idxCluster = 0; //目前m_ClusterNo陣列位置
            for (int j = 0; j < m_NumOfClusters; j++) //3個分群數
            {
                double Distance2Centroid = 0.0; //點到群中心距離(群中心也是四維的點)
                for (int m = 0; m < m_TestVariables; m++) //4個變數
                    Distance2Centroid += Math.pow((m_TestData[i][m] - centroid[j][m]), 2);
                
                Distance2Centroid =Math.sqrt(Distance2Centroid);
                //如果目前的cluster編號是0, 重設m_ClusterNo的陣列索引值
                //目前點的距離暫存做比對
                if (j == 0){
                    tmpDis = Distance2Centroid;
                    idxCluster = 0;
                } else { //目前的cluster編號非0, 代表cluster =1,2...etc(端視分群數),
                    if (tmpDis > Distance2Centroid) {//將資料點指定給距離最近的群中心,這裡記錄群的索引值
                        tmpDis = Distance2Centroid;
                        idxCluster = j;
                    }
                    //這裡可以掠過判斷 tmpDis < Distance2Centroid
                }
            }
            int ClusterNo = m_ClusterNo[idxCluster];
            m_aryResultClusters[idxCluster][ClusterNo] = i + 1;
            m_ClusterNo[idxCluster]++; //紀錄各(3)群集中的資料個數
        }
    }
    
    private void ManhattanDistance( double[][] centroid){
        //計算資料點到群中心的距離,將點放到不同的组中
        //每個資料點依據所給的變數 (例如: iris 有四個變數)的多維資料產生一個點
        //與目前群中心的距離
        for (int i = 0; i < m_TestCases; i++){ //iris 150 case
            double tmpDis = 0.0;
            int idxCluster = 0; //目前m_ClusterNo陣列位置
            for (int j = 0; j < m_NumOfClusters; j++) //3個分群數
            {
                double Distance2Centroid = 0.0; //點到群中心距離(群中心也是四維的點)
                for (int m = 0; m < m_TestVariables; m++) //4個變數
                    Distance2Centroid += Math.abs((m_TestData[i][m] - centroid[j][m]));
                
                //如果目前的cluster編號是0, 重設m_ClusterNo的陣列索引值
                //目前點的距離暫存做比對
                if (j == 0){
                    tmpDis = Distance2Centroid;
                    idxCluster = 0;
                } else { //目前的cluster編號非0, 代表cluster =1,2...etc(端視分群數),
                    if (tmpDis > Distance2Centroid) {//將資料點指定給距離最近的群中心,這裡記錄群的索引值
                        tmpDis = Distance2Centroid;
                        idxCluster = j;
                    }
                    //這裡可以掠過判斷 tmpDis < Distance2Centroid
                }
            }
            int ClusterNo = m_ClusterNo[idxCluster];
            m_aryResultClusters[idxCluster][ClusterNo] = i + 1;
            m_ClusterNo[idxCluster]++; //紀錄各(3)群集中的資料個數
        }
    }
    public int[][] DoPartition() {
        double[][] centroid = new double[m_NumOfClusters][m_TestVariables];
        int[] grandCent = getStartingPointArrayIndex();
        
        //群重心
    /*    for (int i = 0; i < m_NumOfClusters; i++)
            for (int j = 0; j < m_TestVariables; j++)
                centroid[i][j] = m_TestData[grandCent[i]][j];*/
        //群前3點
      /*  for (int i = 0; i < m_NumOfClusters; i++)
            for (int j = 0; j < m_TestVariables; j++)
                centroid[i][j] = m_TestData[i][j];*/
        
        for (int j = 0; j < m_TestVariables; j++)
            centroid[0][j] = m_TestData[0][j];
        for (int j = 0; j < m_TestVariables; j++)
            centroid[1][j] = m_TestData[50][j];
        for (int j = 0; j < m_TestVariables; j++)
            centroid[2][j] = m_TestData[148][j];
        
        double[][] preCenter = new double[m_NumOfClusters][m_TestVariables];
        
        while (true){
            m_aryResultClusters = new int[m_NumOfClusters][m_TestCases];

            //清空群編號
            for (int i = 0; i < m_NumOfClusters; i++)
                m_ClusterNo[i] = 0;

            //計算資料點到群中心的距離,將點放到不同的组中
            //每個資料點依據所給的變數 (例如: iris 有四個變數)的多維資料產生一個點
            //與目前群中心的距離
            /*for (int i = 0; i < m_TestCases; i++){ //iris 150 case
                double tmpDis = 0.0;
                int idxCluster = 0; //目前m_ClusterNo陣列位置
                for (int j = 0; j < m_NumOfClusters; j++) //3個分群數
                {
                    double Distance2Centroid = 0.0; //點到群中心距離(群中心也是四維的點)
                    for (int m = 0; m < m_TestVariables; m++) //4個變數
                        Distance2Centroid += Math.pow((m_TestData[i][m] - centroid[j][m]), 2);
                    
                    //如果目前的cluster編號是0, 重設m_ClusterNo的陣列索引值
                    //目前點的距離暫存做比對
                    if (j == 0){
                        tmpDis = Distance2Centroid;
                        idxCluster = 0;
                    } else { //目前的cluster編號非0, 代表cluster =1,2...etc(端視分群數),
                        if (tmpDis > Distance2Centroid) {//將資料點指定給距離最近的群中心,這裡記錄群的索引值
                            tmpDis = Distance2Centroid;
                            idxCluster = j;
                        }
                        //這裡可以掠過判斷 tmpDis < Distance2Centroid
                    }
                }
                int ClusterNo = m_ClusterNo[idxCluster];
                m_aryResultClusters[idxCluster][ClusterNo] = i + 1;
                m_ClusterNo[idxCluster]++; //紀錄各(3)群集中的資料個數
            }*/
            EuclideanDistance( centroid);
            //EuclideanDistanceSquar( centroid);
            //ManhattanDistance( centroid);

            //將目前群中心暫存,以做比對用
            for (int i = 0; i < m_NumOfClusters; i++)
                for (int j = 0; j < m_TestVariables; j++)
                    preCenter[i][j] = centroid[i][j];

            //產生新群中心(群重心)
            for (int i = 0; i < m_NumOfClusters; i++)
            {
                int kNum = m_ClusterNo[i];
                if (kNum > 0)
                {
                    for (int j = 0; j < m_TestVariables; j++){
                        double sum = 0.0;
                        for (int m = 0; m < kNum; m++){
                            int groupidxCluster = m_aryResultClusters[i][m] - 1;
                            sum += m_TestData[groupidxCluster][j];
                        }
                        centroid[i][j] = sum / kNum;
                    }
                }
            }

            //比對新舊群中心是否不同
            boolean bFinish = true;
            for (int i = 0; i < m_NumOfClusters; i++){
                for (int j = 0; j < m_TestVariables; j++)
                {
                    bFinish = bFinish && (preCenter[i][j] == centroid[i][ j]);
                }
            }
            if (bFinish)
                //複製群中心
                for (int i =0; i < centroid.length; i++){
                    for (int j=0; j< centroid[i].length; j++)
                        m_Centroid[i][j] = centroid[i][j];
                }
                break;

        }
        return m_aryResultClusters;
    }
    public double[] getSumOfSqrByClusters() {
        double[] ret = new double[0];
        
        return ret;
    }
    
    public double[] getAvgDistanceFromCentroid(){
        double[] ret = new double[0];
        
        return ret;    
    }
    
    public double[] getMaxDistanceFromCentroid(){
        double[] ret = new double[0];
        
        return ret;
    }
    
    public int[] getNumOfObservations() {
        int[] ret = new int[this.m_NumOfClusters];        
        for (int i=0; i< ret.length; i++)
            ret[i] =0;
        
        for (int i=0;i < this.m_aryResultClusters.length; i++ ){           
            for (int j=0;j < this.m_aryResultClusters[i].length; j++ ){
                if ((int)this.m_aryResultClusters[i][j] != 0)
                    ret[i]++;
            }
            
        
        }
        return ret;
    }

    public int[][] getM_aryResultClusters() {
        return m_aryResultClusters;
    }
}

 

.........................................................................................................

KMeansEval.java

/**************************************************************************************************************************
(c) Copyright: Kevin Chen , No.79912001, 2010~2012. All rights reserved.
Author:         : Kevin Chen  
Desc            :
Change History  : -
Class used in   :
Change History  :   Level              Changed By              Date                        Change description
                   -------------------------------------------------------------------------------------------------------
                    (Initial)          Kevin Chen             20100112                  (Initial)
'**************************************************************************************************************************/

package e9912001;

import e9912001.KMeans;

public class KMeansEval {

    /**
     * @param args
     */
    public static void main(String[] args) {
        double[][] test_data = {
                {5.1,3.5,1.4,0.2},
                {4.9,3.0,1.4,0.2},
                {4.7,3.2,1.3,0.2},
                {4.6,3.1,1.5,0.2},
                {5.0,3.6,1.4,0.2},
                {5.4,3.9,1.7,0.4},
                {4.6,3.4,1.4,0.3},
                {5.0,3.4,1.5,0.2},
                {4.4,2.9,1.4,0.2},
                {4.9,3.1,1.5,0.1},
                {5.4,3.7,1.5,0.2},
                {4.8,3.4,1.6,0.2},
                {4.8,3.0,1.4,0.1},
                {4.3,3.0,1.1,0.1},
                {5.8,4.0,1.2,0.2},
                {5.7,4.4,1.5,0.4},
                {5.4,3.9,1.3,0.4},
                {5.1,3.5,1.4,0.3},
                {5.7,3.8,1.7,0.3},
                {5.1,3.8,1.5,0.3},
                {5.4,3.4,1.7,0.2},
                {5.1,3.7,1.5,0.4},
                {4.6,3.6,1.0,0.2},
                {5.1,3.3,1.7,0.5},
                {4.8,3.4,1.9,0.2},
                {5.0,3.0,1.6,0.2},
                {5.0,3.4,1.6,0.4},
                {5.2,3.5,1.5,0.2},
                {5.2,3.4,1.4,0.2},
                {4.7,3.2,1.6,0.2},
                {4.8,3.1,1.6,0.2},
                {5.4,3.4,1.5,0.4},
                {5.2,4.1,1.5,0.1},
                {5.5,4.2,1.4,0.2},
                {4.9,3.1,1.5,0.1},
                {5.0,3.2,1.2,0.2},
                {5.5,3.5,1.3,0.2},
                {4.9,3.1,1.5,0.1},
                {4.4,3.0,1.3,0.2},
                {5.1,3.4,1.5,0.2},
                {5.0,3.5,1.3,0.3},
                {4.5,2.3,1.3,0.3},
                {4.4,3.2,1.3,0.2},
                {5.0,3.5,1.6,0.6},
                {5.1,3.8,1.9,0.4},
                {4.8,3.0,1.4,0.3},
                {5.1,3.8,1.6,0.2},
                {4.6,3.2,1.4,0.2},
                {5.3,3.7,1.5,0.2},
                {5.0,3.3,1.4,0.2},
                {7.0,3.2,4.7,1.4},
                {6.4,3.2,4.5,1.5},
                {6.9,3.1,4.9,1.5},
                {5.5,2.3,4.0,1.3},
                {6.5,2.8,4.6,1.5},
                {5.7,2.8,4.5,1.3},
                {6.3,3.3,4.7,1.6},
                {4.9,2.4,3.3,1.0},
                {6.6,2.9,4.6,1.3},
                {5.2,2.7,3.9,1.4},
                {5.0,2.0,3.5,1.0},
                {5.9,3.0,4.2,1.5},
                {6.0,2.2,4.0,1.0},
                {6.1,2.9,4.7,1.4},
                {5.6,2.9,3.6,1.3},
                {6.7,3.1,4.4,1.4},
                {5.6,3.0,4.5,1.5},
                {5.8,2.7,4.1,1.0},
                {6.2,2.2,4.5,1.5},
                {5.6,2.5,3.9,1.1},
                {5.9,3.2,4.8,1.8},
                {6.1,2.8,4.0,1.3},
                {6.3,2.5,4.9,1.5},
                {6.1,2.8,4.7,1.2},
                {6.4,2.9,4.3,1.3},
                {6.6,3.0,4.4,1.4},
                {6.8,2.8,4.8,1.4},
                {6.7,3.0,5.0,1.7},
                {6.0,2.9,4.5,1.5},
                {5.7,2.6,3.5,1.0},
                {5.5,2.4,3.8,1.1},
                {5.5,2.4,3.7,1.0},
                {5.8,2.7,3.9,1.2},
                {6.0,2.7,5.1,1.6},
                {5.4,3.0,4.5,1.5},
                {6.0,3.4,4.5,1.6},
                {6.7,3.1,4.7,1.5},
                {6.3,2.3,4.4,1.3},
                {5.6,3.0,4.1,1.3},
                {5.5,2.5,4.0,1.3},
                {5.5,2.6,4.4,1.2},
                {6.1,3.0,4.6,1.4},
                {5.8,2.6,4.0,1.2},
                {5.0,2.3,3.3,1.0},
                {5.6,2.7,4.2,1.3},
                {5.7,3.0,4.2,1.2},
                {5.7,2.9,4.2,1.3},
                {6.2,2.9,4.3,1.3},
                {5.1,2.5,3.0,1.1},
                {5.7,2.8,4.1,1.3},
                {6.3,3.3,6.0,2.5},
                {5.8,2.7,5.1,1.9},
                {7.1,3.0,5.9,2.1},
                {6.3,2.9,5.6,1.8},
                {6.5,3.0,5.8,2.2},
                {7.6,3.0,6.6,2.1},
                {4.9,2.5,4.5,1.7},
                {7.3,2.9,6.3,1.8},
                {6.7,2.5,5.8,1.8},
                {7.2,3.6,6.1,2.5},
                {6.5,3.2,5.1,2.0},
                {6.4,2.7,5.3,1.9},
                {6.8,3.0,5.5,2.1},
                {5.7,2.5,5.0,2.0},
                {5.8,2.8,5.1,2.4},
                {6.4,3.2,5.3,2.3},
                {6.5,3.0,5.5,1.8},
                {7.7,3.8,6.7,2.2},
                {7.7,2.6,6.9,2.3},
                {6.0,2.2,5.0,1.5},
                {6.9,3.2,5.7,2.3},
                {5.6,2.8,4.9,2.0},
                {7.7,2.8,6.7,2.0},
                {6.3,2.7,4.9,1.8},
                {6.7,3.3,5.7,2.1},
                {7.2,3.2,6.0,1.8},
                {6.2,2.8,4.8,1.8},
                {6.1,3.0,4.9,1.8},
                {6.4,2.8,5.6,2.1},
                {7.2,3.0,5.8,1.6},
                {7.4,2.8,6.1,1.9},
                {7.9,3.8,6.4,2.0},
                {6.4,2.8,5.6,2.2},
                {6.3,2.8,5.1,1.5},
                {6.1,2.6,5.6,1.4},
                {7.7,3.0,6.1,2.3},
                {6.3,3.4,5.6,2.4},
                {6.4,3.1,5.5,1.8},
                {6.0,3.0,4.8,1.8},
                {6.9,3.1,5.4,2.1},
                {6.7,3.1,5.6,2.4},
                {6.9,3.1,5.1,2.3},
                {5.8,2.7,5.1,1.9},
                {6.8,3.2,5.9,2.3},
                {6.7,3.3,5.7,2.5},
                {6.7,3.0,5.2,2.3},
                {6.3,2.5,5.0,1.9},
                {6.5,3.0,5.2,2.0},
                {6.2,3.4,5.4,2.3},
                {5.9,3.0,5.1,1.8}};
        KMeans kms = new KMeans(test_data);
        kms.setM_NumOfClusters(3);
        int[][] results = kms.DoPartition();
        for (int i =0; i< results.length ;i++){        
            for (int j = 0; j < results[i].length ; j++){
               System.out.format("%d, ", results[i][j]);
            }        
            System.out.println();
        }
        
        //System.out.println("Observations, Sum of squares, Avg Distance, Max Distance   ")
        int[] DataInCluster = kms.getNumOfObservations();
        for(int i =0; i< DataInCluster.length; i++)
            System.out.println(DataInCluster[i]);


    }

}


 


arrow
arrow
    全站熱搜
    創作者介紹
    創作者 kevinjc 的頭像
    kevinjc

    Music@life

    kevinjc 發表在 痞客邦 留言(1) 人氣()