基于Kmeans+Canopy聚類的協同過濾算法代碼實作（輸出聚類計算過程，分布圖展示）
聚類(Clustering)就是将資料對象分組成為多個類或者簇 (Cluster)，它的目标是：在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差别較大。是以，在很多應用中，一個簇中的資料對象可以被作為一個整體來對待，進而減少計算量或者提高計算品質。
一、Kmeans+Canopy聚類算法實作原理
影響Kmeans聚類算法結果的因素有距離閥值、初始簇的選擇、周遊次數，其中距離閥值和周遊次數可通過不斷測試來實作最佳，但是初始簇的選擇如果是随機選擇，每次運作的結果差别可能會很大，使用Canopy聚類算法用于K均值聚類算法的預處理，用來找合适的k值和簇中心效果較好。
本文主要是java語言實作，1000個點（本文是二維向量，也可以是多元，實作原理和程式一樣），程式運作過程中會輸出每一次周遊點的簇中心，和簇中包含的點，并将最終結果通過插件在html中顯示。
二、Kmeans+Canopy聚類算法實作部分步驟
将本地檔案讀取到點集合中：
三、Kmeans+Canopy聚類算法實作結果
1、Canopy運算結果：
2、Kmeans+Canopy運算結果：
3、分布圖：
需要源代碼的朋友可聯系我們，也可以留言、私信交流。