public void ClusteringTest()
{
List <ClusteredData> datanew = new List <ClusteredData>();
EuclidianDistance distance = new EuclidianDistance();
K_Means k_means = new K_Means(2, 0.1, distance);
ClusterAnalysis clusterAnalysis = new ClusterAnalysis(k_means);
datanew.Add(new ClusteredData(0, 0));
datanew.Add(new ClusteredData(0, 20));
datanew.Add(new ClusteredData(20, 0));
datanew.Add(new ClusteredData(20, 20));
var list = clusterAnalysis.Clustering(datanew);
Assert.AreEqual(2, list.Count);
var flag = from value in k_means.FinishesCentroids.Values
where (value.X == 0 && value.Y == 0) ||
(value.X == 0 && value.Y == 20) ||
(value.X == 20 && value.Y == 20) ||
(value.X == 20 && value.Y == 0) ||
(value.X == 10 && value.Y == 20) ||
(value.X == 0 && value.Y == 10) ||
(value.X == 20 && value.Y == 10) ||
(value.X == 0 && value.Y == 10)
select value;
Assert.AreEqual(0.1, k_means.CoefficientTaboo);
Assert.AreEqual(2, k_means.CountOfClusters);
Assert.IsNotNull(flag);
}
static void Main(string[] args)
{
K_Means kmeans = new K_Means(2);
kmeans.addDoc("平價牛排 淡水好店 吃吃喝喝 情侶約會 中價位 生日聚會 平價 節日聚會 家庭聚會 朋友聚會 吃到飽 異國料理 美式料理");
kmeans.addDoc("平價 板橋美食 食記 小吃 單點式 麻辣鴨血 重慶路 涼麵 麻辣 鴨血 情侶約會 吃吃喝喝 涼皮 小吃店");
kmeans.addDoc("客家美食 朋友聚會 客家菜 家庭聚會 苗栗 平價 預約 中價位 鶴山飯館 春酒 老店 單點式 免服務費 可包場 有包廂");
kmeans.addDoc("下午茶 平價 免服務費 朋友聚會 景觀咖啡 巷弄隱密 家庭聚會 情侶約會 中價位 可帶寵物 無菜單 複合式 咖啡簡餐");
kmeans.addDoc("台中泰式餐廳 中價位 泰式料理 月亮蝦餅 要預訂 單點式 魔幻廚房 家庭聚會 吃吃喝喝 朋友聚會 免服務費 節日聚會 大份量 泰式台菜 生日聚會");
kmeans.addDoc("朋友聚會 中價位 吃吃喝喝 家庭聚會 單點式 印度料理 烤餅 平價 精緻料理 咖哩 可刷卡 生日聚會 異國料理 海尼根Light精選店家");
kmeans.addDoc("婚宴 平價 家庭聚會 吃吃喝喝 單點式 可包場 有包廂 老店 主題特色餐廳 景觀餐廳");
kmeans.addDoc("吃到飽 下午茶 有服務費 中價位 朋友聚會 巷弄隱密 情侶約會 家庭聚會 節日聚會 生日聚會 Buffet 複合式 複合式料理 2008新開店");
kmeans.addDoc("情侶約會 法國料理 高價位 精緻料理 可刷卡 無菜單 節日聚會 家庭聚會 老店 吃吃喝喝 馬卡龍 朋友聚會 中價位 異國料理 法式料理");
kmeans.addDoc("家庭聚會 烏龍麵 吃吃喝喝 單點式 贊岐烏龍麵 情侶約會 平價 朋友聚會 精緻料理 台南美食 贊岐廚房 日本料理 日式定食 台南餐廳 中價位");
kmeans.train();
//kmeans.getResult();
kmeans.showResult();
Console.ReadKey();
}
public RBF(int K, int numOfEpocks, double learningRate, double maxError, List <List <double> > trainingSamples, List <List <double> > trainingLabels, List <List <double> > testSamples, List <List <double> > testLabels)
{
this.numOfEpocks = numOfEpocks;
this.trainingSamples = trainingSamples;
this.trainingLabels = trainingLabels;
this.testSamples = testSamples;
this.testLabels = testLabels;
this.maxError = maxError;
this.learningRate = learningRate;
Centroids = new List <List <double> >(); //[NumOfCluster][NumOfFeatures (means)]
Random rnd = new Random(Guid.NewGuid().GetHashCode());
int counter = K; // Num of Clusters
while (counter-- > 0)
{
int index = rnd.Next(trainingSamples.Count);
Centroids.Add(trainingSamples[index]);
}
KMean = new K_Means(ref Centroids, trainingSamples);
Variance = KMean.GetVariance;
////
////
List <int> numOfNeuronsPerLayer = new List <int>();
backpropagation = new Backpropagation();
numOfNeuronsPerLayer.Add(K);
numOfNeuronsPerLayer.Add(3);
this.neuralNetwork = new FeedforwardNeuralNetwrok(2);
this.neuralNetwork.setNetwork(numOfNeuronsPerLayer);
this.neuralNetwork.LMSsetLayer(1, new IdentityFunction());
}
static void Main(string[] args)
{
List <ClusteredData> datanew = new List <ClusteredData>();
EuclidianDistance distance = new EuclidianDistance();
K_Means k_means = new K_Means(2, 0.1, distance);
ClusterAnalysis clusterAnalysis = new ClusterAnalysis(k_means);
datanew.Add(new ClusteredData(0, 0));
datanew.Add(new ClusteredData(0, 20));
datanew.Add(new ClusteredData(20, 0));
datanew.Add(new ClusteredData(20, 20));
var list = clusterAnalysis.Clustering(datanew);
/*
* List<ClusteredData> datanew = new List<ClusteredData>();
* List<K_Means> k_meansList = new List<K_Means>();
* List<List<Cluster>> clustersList = new List<List<Cluster>>();
* System.Diagnostics.Stopwatch myStopwatch = new System.Diagnostics.Stopwatch();
* EuclidianDistance distance = new EuclidianDistance();
*
* datanew.Add(new ClusteredData(0,0));
* datanew.Add(new ClusteredData(0, 20));
* datanew.Add(new ClusteredData(20, 0));
* datanew.Add(new ClusteredData(20, 20));
*
* var ewrt = datanew.Select(Er => Er.X);
* var ety = ewrt.Average();
*
*
*
* var e = datanew.Average(er => er.X);
*
*
* myStopwatch.Start(); //запуск
* for (var i = 0; i < 1000; i++)
* {
* K_Means k_means = new K_Means(2, 0.1, distance);
* clustersList.Add(k_means.Clustering(datanew));
* k_meansList.Add(k_means);
* Thread.Sleep(10);
*
* var flag = k_means.FinishesCentroids.ContainsValue(new Centroid(0, 0));
* var flag1 = k_means.FinishesCentroids.ContainsValue(new Centroid(0, 20));
* var flag2 = k_means.FinishesCentroids.ContainsValue(new Centroid(20, 20));
* var flag3 = k_means.FinishesCentroids.ContainsValue(new Centroid(20, 0));
* }
* myStopwatch.Stop();
*
* var fulltime = myStopwatch.ElapsedMilliseconds;
* double Onetime = myStopwatch.ElapsedMilliseconds/1000.0;
*
* int a = 0;
* int b = 0;
* int c = 0;
* int d = 0;
*
* foreach (var list in clustersList)
* {
* a += list.Count(q => q.Data.Count == 3);
* b += list.Count(q => q.Data.Count == 2);
* c += list.Count(q => q.Data.Count == 1);
* d += list.Count(q => q.Data.Count == 0);
* }
* b = b / 2;
* var ads = new Cluster(1, new Centroid(1, 10));
* //ads.IntraClusterDistance();
*
* //// Поиск объектов класса Cluster в списке optimumClusters с максимальным внутрикластерным расcтоянием
* //var nonOptimumClusters = from list in clustersList // определяем каждый объект из clusters как cluster
* // where
* // select cluster.IntraClusterDistance();// выбираем объект
*
*/
}
