這個**主要針對，對不同類資料，加標籤整合
我主要用在gnmf相關處理中，其中對2d hela image data資料也是類似加標籤，希望對你有幫助
%對mnist資料的處理
% 集成為乙個資料矩陣
%在因為每張圖是28x28=784，所以每一行代表一張圖
%需要從所有圖中選取500樣本，每類選取50個樣本
load('mnist_all.mat');
% load('usps_all.mat');
fea=zeros(500,784);
gnd1=ones(50,1); %第一類，全部標記為1
gnd=gnd1;
for i=2:10
gnd=[gnd;i*gnd1]; %gnd 標記；裡面第一類標記1，依次內推到第十類標記為10.
end%下面開始構建處理矩陣
%每個樣本選50個樣本（隨機）
t=0;
for i=1:10
st=['test',num2str(i-1)]; %選取不同的test，然後從中隨機提取50個樣本；例test0
test=eval(st); %將字串對應的矩陣取值出來；例將test0，對應的所以樣本。
for j=1:50
t=t+1;
fea(t,:)=test(i*j,:);
endend
% 先執行matrix_adt.m,構建標籤gnd，與矩陣fea
nclass=10;
k=10;
label = litekmeans(fea,k,'replicates',20);
[mfea,nsmp]=size(fea);
labela=;
labela=[(1:mfea)',label];
a=;for i=1:k
for j=1:mfea
if labela[j,2]==i; %找出label所對應的行，
a(j,:)=fea(j,:); %提取這一行的所有資訊
endend
endlabel = litekmeans(fea,nclass,'replicates',20);
mihat = mutualinfo(gnd,label);%越大，越相關，互資訊
disp(['clustering in the original space. mihat: ',num2str(mihat)]);%這是nmi結果
label = bestmap(gnd,label);
ac=k
ac = length(find(gnd == label))/length(gnd);
disp(['clustering in the original space. mihat: ',num2str(ac)]);%這是ac結果
企業如何進行「對標」管理？
對標 管理起源於上世紀70年代的美國，最初是人們利用 對標 尋找與別的公司的差距，把它作為一種調查比較的基準方法。對標 管理是尋找和學習最佳管理案例和執行方式的一種方法，現已成為最受企業歡迎的第三大戰略管理方法。對標 就是對比標桿找差距。推行 對標 管理，就是要把企業的目標緊緊盯住業界最好水平，明確...
怎樣對業務進行建模1
請問 每個業務員有多個客戶，每個客戶又有多個產品，建基礎檔案時，用列表型還是層次型或組合型？遇到需求要看具體應用情況 實際業務中很少見乙個下拉樹中，又放業務員 又放客戶 還要放產品 這樣做有什麼意義？多數情況是通過取數函式 下拉框等來將資料之間的對應關係提取到表單介面上 所以用2個列表型基礎檔案，把...
Julia對矩陣進行預先賦值
我們知道，對於matlab和julia 而言，預先賦值可以獲得更快的運算速度，特別是matlab.由於julia 經常用循還解決相關問題，預先賦值使用的頻率相比matlab而言大大減小。不過，還是有一些地方，可能用到的，盡量不要使用cat 操作，效率低下，速度慢得很。這個原則，還僅是對於matlab...