基于狄利克雷DirichletProcesses聚类的协同过滤推荐算法代码实现（输出聚类计算过程，分布图展示）
基于狄利克雷DirichletProcesses聚类的协同过滤推荐算法代码实现（输出聚类计算过程，分布图展示）
聚类(Clustering)就是将数据对象分组成为多个类或者簇 (Cluster)，它的目标是：在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。所以，在很多应用中，一个簇中的数据对象可以被作为一个整体来对待，从而减少计算量或者提高计算质量。
一、DirichletProcesses聚类算法实现原理
狄利克雷聚类（Dirichlet Processes Clustering）是一种基于概率分布模型的聚类算法。
首先我们先简要介绍一下基于概率分布模型的聚类算法（后面简称基于模型的聚类算法）的原理：首先需要定义一个分布模型，简单的例如：圆形，三角形等，复杂的例如正则分布，泊松分布等；然后按照模型对数据进行分类，将不同的对象加入一个模型，模型会增长或者收缩；每一轮过后需要对模型的各个参数进行重新计算，同时估计对象属于这个模型的概率。所以说，基于模型的聚类算法的核心是定义模型，对于一个聚类问题，模型定义的优劣直接影响了聚类的结果，下面给出一个简单的例子，假设我们的问题是将一些二维的点分成三组，在图中用不同的颜色表示，图 A 是采用圆形模型的聚类结果，图 B 是采用三角形模型的聚类结果。可以看出，圆形模型是一个正确的选择，而三角形模型的结果既有遗漏又有误判，是一个错误的选择。
狄利克雷聚类算法是按照如下过程工作的：首先，我们有一组待聚类的对象和一个分布模型。使用 ModelDistribution 生成各种模型。初始状态，我们有一个空的模型，然后尝试将对象加入模型中，然后一步一步计算各个对象属于各个模型的概率。
本文主要是java语言实现，1000个点（本文是二维向量，也可以是多维，实现原理和程序一样），程序运行过程中会输出每一次遍历点的簇中心，和簇中包含的点，并将最终结果通过插件在html中显示。
二、DirichletProcesses聚类算法实现部分步骤
将本地文件读取到点集合中：
三、DirichletProcesses聚类算法实现结果
1、运算结果：
2、分布图：
需要源代码的朋友可联系我们，也可以留言、私信交流。
