聚类算法--近邻聚类算法（C++实现）

最新推荐文章于 2025-01-16 00:15:00 发布
原创 最新推荐文章于 2025-01-16 00:15:00 发布 · 2.5k 阅读 · 14 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
模式识别

当前文章被收录于：

模式识别
1 篇文章 0 人学习
订阅专栏 查看详情
本文介绍了C++实现的近邻聚类算法，不同于KNN和K-means。作者在实现过程中遇到相同数据多次运行结果不一致的问题，并分享了算法流程。首先输入样本点，然后获取第一个聚类中心并删除。通过euclidean_clu函数不断计算样本点与聚类中心的欧式距离，当超过阈值时增加新的聚类中心。euclidean_step函数负责将样本点分配到最近的聚类中心。代码中存在错误导致结果不稳定，期待读者提供修正建议。

聚类算法–近邻聚类算法（C++实现）

写在前面：

​ 最近邻聚类算法，应该不是KNN，也不是K-means，就是一个特别基础的算法，但是在CSDN没有找到C++实现的这个算法，只有一个python写的（https://blog.csdn.net/Ha_hha/article/details/79128777），于是自己写了一个，目前还有错误，相同数据多次运行的结果不一样，希望有大佬可以指出是哪里有问题

算法介绍：

在这里插入图片描述

代码介绍：

用的vector存放内容，sampoint 存放样本点，clucenter存放聚类中心点。

在测试版输入样本点有两中方式，一个是样本点随机生成，一个是自己输入。

第一个聚类中心点随机生成。

euclidean_clu函数用来计算样本点和当前已有的聚类中心的欧式距离，如果样本点和每个聚类中心的距离都大于阈值T，就增加新的聚类中心，同时退出当前循环，重新执行当前函数。当该函数执行完，说明已经找到了全部的聚类中心。

euclidean_step再次计算所有样本点和聚类中心点的距离，找到距离样本点最近的一个聚类中心，进行分类，这里用了map存放。同时该函数输出最后的结果。

代码（纯净版）：

#include <bits/stdc++.h>
using namespace std;

vector<vector<long long >> sampoint;
vector<vector<long long >> clucenter;
long long  n,v,T,random_num;

void euclidean_clu();
void append_clu(long long  x);
void euclidean_step();
int  main(){
	/*1.输入数据*/
	long long  temp;
	cout<<"输入样本个数和维度："<<endl;
	cin>>n>>v; //输入样本个数和维度 
	cout<<"输入阈值T:"<<endl;
	cin>>T;
	vector<long long > intemp_clu;
	long long  temp_n=n;
	cout<<"随机生成的样本点如下:"<<endl;
	while(n--){
		for(long long  i=0;i<v;i++){
			temp=rand()%100;
			intemp_clu.push_back(temp);
		}
		sampoint.push_back(intemp_clu);
		intemp_clu.clear(); //每次输入完成都要清空，否则之前的数据会保留 
	}
	n=temp_n;
	/*输出测试*/
	for(long long  i=0;i<temp_n;i++){
		for(long long  j=0;j<v;j++){
			cout<<sampoint[i][j]<<" ";
		}
		cout<<endl;
	}
	
	/*2.获取第一个聚类中心,并在样本点中删除聚类中心*/
	long long  temp_random;
	vector<long long > first_clucenter;
	temp_random=rand()%sampoint.size();
	for(long long  i=0;i<v;i++){
		first_clucenter.push_back(sampoint[temp_random][i]);
	} 
	sampoint.erase(sampoint.begin()+temp_random);
	clucenter.push_back(first_clucenter);

	cout<<endl;

	euclidean_clu();
	euclidean_step();
	

}
void euclidean_clu(){
	for(long long  i=0;i<sampoint.size();i++){
		long long  temp_dean=0,min_dean=1000000,min_clu=0,min_sam;
		for(long long  j=0;j<clucenter.size();j++){

			for(long long  k=0;k<v;k++){  
				temp_dean+=pow((sampoint[i][k]-clucenter[j][k]),2);
			}
				temp_dean=sqrt(temp_dean);
			if(temp_dean>T){	
				append_clu(i);
				euclidean_clu(); //加入新的中心点后重新进行欧氏距离的计算 
			} 
			temp_dean=0; 
}
}
return ;
}

	/*4.增加聚类中心点*/
void append_clu(long long  x){
	clucenter.push_back(sampoint[x]);
	sampoint.erase(sampoint.begin()+x);
}
/*对样本点根据已有的聚类中心进行划分*/
void euclidean_step(){

	long long  temp_dean=0,min_dean=1000000,min_clu=0;
	map<long long ,long long > pdean;
	for(long long  i=0;i<sampoint.size();i++){
		temp_dean=0,min_dean=1000000,min_clu=0;
		for(long long  j=0;j<clucenter.size();j++){

			for(long long  k=0;k<v;k++){  
				temp_dean+=pow((sampoint[i][k]-clucenter[j][k]),2);
			}
			if(temp_dean<min_dean){ //取最小的距离和对应的聚类中心 
				min_dean=temp_dean;
				min_clu=j;
			} 
		 temp_dean=0;
		}
		pdean.insert({i,min_clu});
	}

	cout<<"总共有"<<clucenter.size()<<"个聚类中心:"<<endl;
	for(long long  i=0;i<clucenter.size();i++){
		for(long long  j=0;j<v;j++){
			cout<<clucenter[i][j]<<" ";
		}
		cout<<endl;
	}
		cout<<endl;
		
	for(long long  i=0;i<clucenter.size();i++){
		cout<<"第"<<i+1<<"类样本点:"<<endl;
		cout<<"(";
		for(long long  j=0;j<v;j++){
			cout<<clucenter[i][j]<<" ";
		}
		cout<<")";
		cout<<endl;
		for(auto it=pdean.begin();it!=pdean.end();it++){
			if((*it).second==i){
				cout<<"(";
				for(long long j=0;j<v;j++){
					cout<<sampoint[(*it).first][j]<<" ";
				}
				cout<<") ";
			}
		}
		cout<<endl;
	}
	
}

代码（测试用）：

#include <bits/stdc++.h>
using namespace std;

vector<vector<long long>> sampoint;
vector<vector<long long>> clucenter;
long long n,v,T,random_num;

void euclidean_clu();
void append_clu(long long x);
void euclidean_step();
int main(){
	/*1.输入数据*/
	long long temp;
	cout<<"输入样本个数和维度："<<endl;
	cin>>n>>v; //输入样本个数和维度 
	cout<<"输入阈值T:"<<endl;
	cin>>T;
	vector<long long> intemp_clu;
	long long temp_n=n;
	cout<<"随机生成的样本点如下:"<<endl;
	while(n--){
		for(long long i=0;i<v;i++){
		//	cin>>temp;
			temp=rand()%100;
			intemp_clu.push_back(temp);
			//cout<<long longemp_clu[long longemp_clu.size()-1]<<endl;
		}
		sampoint.push_back(intemp_clu);
		intemp_clu.clear(); //每次输入完成都要清空，否则之前的数据会保留 
	}
	n=temp_n;
	/*输出测试*/
	for(long long i=0;i<temp_n;i++){
		for(long long j=0;j<v;j++){
			cout<<sampoint[i][j]<<" ";
		}
		cout<<endl;
	}
	
	/*2.获取第一个聚类中心,并在样本点中删除聚类中心*/
	long long temp_random;
	vector<long long> first_clucenter;
	temp_random=rand()%sampoint.size();
	//cout<<temp_random<<endl;
	for(long long i=0;i<v;i++){
		first_clucenter.push_back(sampoint[temp_random][i]);
	} 
	sampoint.erase(sampoint.begin()+temp_random);
	clucenter.push_back(first_clucenter);
	cout<<"生成的第一个聚类中心点是:"<<endl;
	for(long long i=0;i<v;i++){
		cout<<clucenter[0][i]<<" ";
	}
	cout<<endl;
	/*first_clucenter.clear(); //测试是否成功删除聚点的样本点 
		for(long long i=0;i<temp_n;i++){
		for(long long j=0;j<v;j++){
			cout<<sampoint[i][j]<<" ";
		}
		cout<<endl;
	}
	*/
	euclidean_clu();
	cout<<"over"<<endl;
	euclidean_step();
	//std::cout << "The run time is: " <<(double)clock() / CLOCKS_PER_SEC << "s" << std::endl;
	//printf("Time used = %.2f\n", (double)clock() / CLOCKS_PER_SEC);
}

	/*3.计算各样本点到聚类中心的欧式距离，函数实现*/
void euclidean_clu(){
	vector<long long> all_dean;
//	cout<<sampoint.size()<<endl; /*输出样本点的个数*/
	long long temp_x=0;
	for(long long i=0;i<sampoint.size();i++){
		long long temp_dean=0,min_dean=1000000,min_clu=0,min_sam;
		for(long long j=0;j<clucenter.size();j++){
			for(long long k=0;k<v;k++){  
				temp_dean+=(sampoint[i][k]-clucenter[j][k])*(sampoint[i][k]-clucenter[j][k]);
			}
			/*得到样本点和某聚类中心点的距离之后，判断是否大于阈值，如果大于，则成为新的聚类中心点*/
			//	cout<<temp_dean<<" "<<i<<" "<<j<<endl;  //输出各个样本点和聚类中心的欧氏距离 
			temp_x=sqrt(temp_dean);
			temp_dean=0;
		//	cout<<"temp_x:"<<temp_x<<endl;
			all_dean.push_back(temp_x);
	/*		if(long long(sqrt(temp_dean))>T){
				cout<<j<<endl;
				cout<<temp_dean<<" "<<long long(sqrt(temp_dean))<<" "<<i<<" "<<j<<endl; 
				//cout<<"出现新的聚类中心"<<endl; 
				append_clu(i);

	*/			
			//测试用					
			/*for(long long i=0;i<sampoint.size();i++){
				for(long long j=0;j<v;j++){
					cout<<sampoint[i][j]<<" ";
				}
				cout<<endl;
			}*/
			
		//		euclidean_clu(); //加入新的中心点后重新进行欧氏距离的计算
		//		return ; 
			
			} 
			bool bool_clu=true;
			 for(long long a=0;a<all_dean.size();a++){
			 //	cout<<all_dean[i]<<" ";
			 	if(all_dean[i]<T){
			 		bool_clu=false;
			 		break;
				 }
			 }
			 all_dean.clear();
			 if(bool_clu){
			 	//cout<<"出现新的聚类中心"<<endl; 
				append_clu(i);
				euclidean_clu(); //加入新的中心点后重新进行欧氏距离的计算
				return ; 
			 }
			//cout<<temp_dean<<endl;
/*			if(temp_dean<min_dean){ //取最小的距离和对应的聚类中心 
				min_dean=temp_dean;
				min_clu=j;
			}
			temp_dean=0;  
		}
		cout<<i<<" "<<min_clu<<" "<<" "<<min_dean<<endl;
		pdean.insert({i,min_clu});

	}

	return ;
} 
*/
}
return ;
}


	/*4.增加聚类中心点*/
void append_clu(long long x){
	clucenter.push_back(sampoint[x]);
/*	cout<<"加入新的聚类中心：";
	for(long long i=0;i<v;i++){
		cout<<sampoint[x][i]<<" ";
	}
*/
//	cout<<"加入了新的聚类中心"<<endl;
	if(x==sampoint.size()-1){
		sampoint.pop_back();
	//	cout<<"最后一个"<<endl;
	
	}
	else{
		sampoint.erase(sampoint.begin()+x);
	}
	return ;
	
}
/*对样本点根据已有的聚类中心进行划分*/
void euclidean_step(){
	/* 测试用
	cout<<"聚类中心点为:"<<endl;
	for(long long i=0;i<clucenter.size();i++){
		for(long long j=0;j<v;j++){
			cout<<clucenter[i][j]<<" ";
		}
		cout<<endl;
	} */
	/*	cout<<endl;
	for(long long i=0;i<sampoint.size();i++){
		for(long long j=0;j<v;j++){
			cout<<sampoint[i][j]<<" ";
		}
		cout<<endl;
	}
	*/
	long long temp_dean=0,min_dean=10000,min_clu=0;
	map<long long,long long> pdean;
	for(long long i=0;i<sampoint.size();i++){
		temp_dean=0,min_dean=10000,min_clu=0;
		for(long long j=0;j<clucenter.size();j++){

			for(long long k=0;k<v;k++){  
				temp_dean+=pow((sampoint[i][k]-clucenter[j][k]),2);
			}
			//cout<<temp_dean<<endl;
			if(temp_dean<min_dean){ //取最小的距离和对应的聚类中心 
				min_dean=temp_dean;
				min_clu=j;
			} 
		//cout<<i<<" "<<min_clu<<" "<<" "<<min_dean<<endl;
		 temp_dean=0;
		}
		pdean.insert({i,min_clu});
	}
	/*
	for(auto it=pdean.begin();it!=pdean.end();it++){
		cout<<(*it).first<<" "<<(*it).second<<endl;
	}
	*/
	cout<<"总共有"<<clucenter.size()<<"个聚类中心:"<<endl;
	for(long long i=0;i<clucenter.size();i++){
		for(long long j=0;j<v;j++){
			cout<<clucenter[i][j]<<" ";
		}
		cout<<endl;
	}
		cout<<endl;
		
	for(long long i=0;i<clucenter.size();i++){
		cout<<"第"<<i+1<<"类样本点:";
		cout<<"{";
		cout<<"(";
		for(long long j=0;j<v;j++){
			cout<<clucenter[i][j]<<" ";
		}
		cout<<")";
//		cout<<endl;
		for(auto it=pdean.begin();it!=pdean.end();it++){
			if((*it).second==i){
				cout<<"(";
				for(long long j=0;j<v;j++){
					cout<<sampoint[(*it).first][j]<<" ";
				}
				cout<<") ";
			}
		}
		cout<<"}";
//		cout<<endl;
	}
	
}

写在最后：

ldu模式识别，代码仅作学习参考使用，🈲抄袭🙅‍，而且最后结果还是有错的。

标签
#聚类 #算法 #c++
聚类算法-DBSCAN-C++实现
k76853的专栏
12-31 2万+
程序流程图： DBSCAN核心功能函数，计算每个point的eps范围内的point数量pts； 对于所有pts >Minpts的point，记为Core point； 对于所有的corepoint，将其eps范围内的core point下标添加到vector::corepts中； 对于所有的corepoint，采用深度优先的方式遍历core point的所有cluster，使
机器学习——聚类算法的C++简易实现（k=3）
weixin_43856705的博客
12-13 958
机器学习，聚类算法
K-Means聚类算法---C++
qq_40464599的博客
09-05 3453
在图b中，我们随机选择了两个k类所对应的类别质心，即图中的红色质心和蓝色质心，然后分别求样本中所有点到这两个质心的距离，并标记每个样本的类别为和该样本距离最小的质心的类别，如图c所示，经过计算样本和红色质心和蓝色质心的距离，我们得到了所有样本点的第一轮迭代后的类别。此时我们对我们当前标记为红色和蓝色的点分别求其新的质心，如图4所示，新的红色质心和蓝色质心的位置已经发生了变动。图e和图f重复了我们在图c和图d的过程，即将所有点的类别标记为距离最近的质心的类别并求新的质心。最终我们得到的两个类别如图f。
基于C++的最大最小聚类算法实现
今天颈椎还疼吗
03-30 4395
一、          算法简介1.   简介：最大最小距离法是模式识别中一种基于试探的类聚算法，它以欧式距离为基础，取尽可能远的对象作为聚类中心。因此可以避免K-means法初值选取时可能出现的聚类种子过于临近的情况，它不仅能智能确定初试聚类种子的个数，而且提高了划分初试数据集的效率。    该算法以欧氏距离为基础，首先初始一个样本对象作为第1个聚类中心，再选择一个与第1个聚类中心最远的样本作为...
Open3D(C++)欧式聚类分割
点云侠的博客
11-13 1065
欧式聚类分割的C++版本Open3D代码实现
聚类算法——近邻聚类算法
lin
02-04 1万+
每篇一句： Time is always too short for those who need it, but for those who love, it lasts forever. —Dracula Untold 近邻聚类法： 近邻聚类法同样是一种基于距离阈值的聚类算法。问题：有N个待分类的模式{X1,X2,…,Xn}，要求按距离阈值T分类到以Z1,Z2,…为聚类中心的模式类中。（
【机器学习实战之三】：C++实现K-均值（K-Means）聚类算法
懂幸福，爱生活
01-08 3万+
聚类是一种无监督的学习，它将相似的对象归到同一个簇中。它有点像全自动分类（类别体系是自动构建的）。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。本文要介绍一种称为K-均值（K-means）聚类的算法。之所以称之为K-均值是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。
欧式聚类（C++编写实现＜不需要任何库＞）
qq_41188371的博客
04-26 3397
欧式聚类（C++编写实现<不需要任何库>） 简介： 本项目应用背景：点云数在几百个以内，但需要使用欧式聚类，故过程中未使用建树过程，针对实际项目接口编写，此项目数据结构为项目中数据结构，不能改变，故采用pair反应点状态。输入接口有两个 (ImportPointCloud 、SetDate)， 一个测试使用，一个实际项目使用。 1、设置三个参数 **tolerance **是设置 kdtree 的近邻搜索的搜索半径，从实验结果来看，tolerance 越大，检测到的范围也就越大； 同
K-means clustering and K-nearest neighbourhood classifier
chenhuahui1993的博客
12-06 751
K-means clustering 是一个十分简单而又实用的聚类算法，其是一种无监督聚类学习，只需告诉分类器一共有几类，即可实现分类。K-nearest neighbourhood是一个有监督分类算法。K-means clustering 算法思想： 随机给定k个观测作为初始种子点，m(1)1,m(1)2,...,m(1)km_1^{(1)}, m_2^{(1)},...,m_k^{(1)}，
PCL 欧式聚类分割【2026最新版】
热门推荐
点云侠的博客
07-25 40万+
PCL中欧式聚类提取算法原理详解、代码实现以及一个大自然场景地物分割提取并保存分割结果到本地文件夹的应用案例。
C++： 实现聚类算法（附带源码）
最新发布
欢迎来到我的博客！这里是一个专注于计算机技术的分享平台，涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者，都能在这里找到有价值的内容。
01-16 964
聚类是无监督学习中一种常用的算法，用于将数据集中的对象分组（称为簇），使得同一簇中的对象相似度较高，而不同簇之间的对象相似度较低。在许多领域，如数据挖掘、图像处理和模式识别等，聚类算法都有广泛应用。
DBSCAN聚类算法原理（含C++代码）
u014374826的博客
06-21 7748
DBSCAN是一种基于密度的聚类算法，在机器学习和数据挖掘领域有广泛的应用，其聚类原理通俗点讲是每个簇类的密度高于该簇类周围的密度，噪声点的密度小于任一簇类的密度。核心点：对某一数据集D，若样本p的 ε-领域内至少包含MinPts个样本（包括样本p），那么样本p称核心点。噪声点：对于非核心点的样本n，若n不在任意核心点p的 ε-领域内，那么样本n称为噪声点。边界点：对于非核心点的样本b，若b在任意核心点p的ε-领域内，那么样本b称为边界点。称p为核心点，其中 ε-领域。
C++实现聚类算法DBSCAN
又帅又酷的红头发10号
09-17 2966
DBSCAN聚类算法进行了C++的实现。时间复杂度O(n^2)，主要花在算每个点领域内的点上。 数据点类型描述如下： #include <vector> using namespace std; const int DIME_NUM=2; //数据维度为2，全局常量 //数据点类型 class DataPoint { private: unsigned long dpID; //数据点ID double dimension
基于C++的K-means聚类算法实现
今天颈椎还疼吗
03-30 1万+
1.   简介：K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。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。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。2.   算法流程1)       随...
C-means聚类算法实战 — 地表植被分类/数字聚类
yxn4065的博客
02-07 3910
C 均值 (C-means) 算法是一种很常用的聚类算法，其基本思想是，通过迭代寻找 c 个聚类的一种划分方案，使得用 c 个聚类的均值来代表相应各类样本时所得到的总体误差最小。C 均值方法有时也被称作 k 均值 (k-means) 方法
C++： 实现聚类算法(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
12-22 790
C++： 实现聚类算法(附完整源码)
K-means聚类算法原理及c++实现
qq_40692109的博客
01-11 4549
聚类是指根据数据本身的特征对数据进行分类，不需要人工标注，是无监督学习的一种。k-means算法是聚类算法中最简单的算法之一。 k-means 算法将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。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 基于这样一个假设，我们再来导出k-means所要优...
Open3D DBSCAN聚类
dayuhaitang1的博客
06-14 1768
DBSCAN算法做为一种有名的密度聚类算法，它是通过邻域参数(Distance,MinPts)来刻画样本分布的紧密程度。而在真正开始之前，首先要理解下面这几个概念：更为具体的内容也可参考这篇文章点云DBSCAN聚类算法。...
高精度运算
weixin_42638946的博客
05-25 825
高精度 1. 高精度原理 原理 利用vector对很大的数据（long long没法存下，一般用string存储）进行计算，可以分为高精度加减乘除，对于给定A、B（位数最多为10610^6106），给定b（b<=1000），求：（1）A+B；（2）A-B；（3）A*b；（4）A/b。 具体每个细节可以参考下面的题目。 2. AcWing上的高精度题目 AcWing 791. 高精度加法 问题描述 问题链接：AcWing 791. 高精度加法 分析 首先就要考虑数据
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值