腾讯云开发者社区

腾讯云开发者社区

产品动态技术活动学习成长产品评测

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

腾讯云开发者社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

聚类

基于K-Means聚类的非线性抗干扰算法matlab仿真

摘要：本文提出一种基于K-Means聚类的非线性抗干扰算法，用于解决光通信系统中由克尔效应和光电器件引起的非线性失真问题。算法分为训练和补偿两个阶段：训练阶段通过K-Means聚类学习失真星座点的中心位置，补偿阶段利用纠正向量对实时信号进行修正。MATLAB仿真结果表明，该方法能有效改善星座图发散现象，提升系统性能。完整程序代码已上传至CSDN平台，适用于matlab2022a/2024b版本。

fpga和matlab
2026-01-02 20:05:54

 1091

 25

#算法 #kmeans #聚类
基于霜冰优化算法RIME改进Kmeans聚类附Matlab代码

一、核心痛点：传统 Kmeans 聚类的两大关键困境Kmeans 作为最经典的划分式聚类算法，凭借 “原理简单、计算高效、易于实现” 的优势，在数据挖掘、图像分割、用户画像等场景中广泛应用。聚类数量 K 需预设：K 值完全依赖人工经验或试错法确定，K 过大导致簇过度细分（碎片化），K 过小导致簇合并（信息丢失），尤其在无先验知识的复杂数据场景中，K 值选择盲目性极强；初始聚类中心敏感：传统 Kme

Matlab科研工作室
2026-01-14 19:57:35

 1687

 15

#算法 #kmeans #聚类
基于霜冰优化算法RIME改进Kmeans聚类附Matlab代码

一、核心痛点：传统 Kmeans 聚类的两大关键困境Kmeans 作为最经典的划分式聚类算法，凭借 “原理简单、计算高效、易于实现” 的优势，在数据挖掘、图像分割、用户画像等场景中广泛应用。聚类数量 K 需预设：K 值完全依赖人工经验或试错法确定，K 过大导致簇过度细分（碎片化），K 过小导致簇合并（信息丢失），尤其在无先验知识的复杂数据场景中，K 值选择盲目性极强；初始聚类中心敏感：传统 Kme

matlab科研助手
2026-01-14 19:57:38

 1043

 16

#算法 #kmeans #聚类
使用Gabor滤波器提取纹理特征，再通过K-means聚类进行图像分割

使用Gabor滤波器提取纹理特征，再通过K-means聚类进行图像分割，是一个经典的纹理分割流程

 fie8889
2026-01-15 11:58:10

 692

 21

#kmeans #聚类 #计算机视觉
【图像分割】基于黎曼流形特征空间的多视角聚类遥感图像分割附Matlab代码

一、引言：遥感图像分割的痛点与黎曼多视角的破局价值1.1 遥感图像分割的核心应用场景与现存问题遥感图像分割是土地利用分类、植被覆盖监测、灾害应急评估等领域的核心技术。但多视角遥感图像（如光学、SAR、高光谱）存在三大痛点：① 多视角特征维度高、冗余度大，传统欧氏空间降维易丢失关键几何结构；② 不同视角特征（光谱、纹理、空间）的互补性未被充分挖掘，单一视角分割鲁棒性差；③ 遥感图像受噪声、云层干扰及

 荔枝科研工作室
2026-01-23 16:41:43

 464

 9

#聚类 #matlab #数据挖掘
基于kmeans聚类的图像分割（Matlab）包含源代码展示PPT运行视频(源码+lw+部署文档+讲解等)

本文研究了基于K-means聚类的图像分割方法及其MATLAB实现。首先阐述了图像分割的意义及K-means算法原理，详细介绍了其初始化、聚类、质心更新等步骤。通过MATLAB实验，展示了从环境配置到参数设置的全过程，并对分割效果进行了视觉和量化评估。结果表明K-means算法能有效实现图像分割，其性能受K值等参数影响。最后总结了研究成果，提出了算法改进和应用扩展等未来研究方向，为相关领域研究提供

 m0_53305793
2026-01-12 14:37:47

 320

 4

#kmeans #聚类 #matlab
【图像分割】基于黎曼流形特征空间的多视角聚类遥感图像分割附Matlab代码

一、引言：遥感图像分割的痛点与黎曼多视角的破局价值1.1 遥感图像分割的核心应用场景与现存问题遥感图像分割是土地利用分类、植被覆盖监测、灾害应急评估等领域的核心技术。但多视角遥感图像（如光学、SAR、高光谱）存在三大痛点：① 多视角特征维度高、冗余度大，传统欧氏空间降维易丢失关键几何结构；② 不同视角特征（光谱、纹理、空间）的互补性未被充分挖掘，单一视角分割鲁棒性差；③ 遥感图像受噪声、云层干扰及

 Matlab科研工作室
2026-01-23 16:41:46

 652

 21

#聚类 #matlab #数据挖掘
【CVPR26-雷涛-陕西科技大学陕西省人工智能联合实验室】SPEGC：基于语义提示增强图聚类的医学图像分割持续测试时自适应

在五轮长期持续适配测试中，SPEGC实现了83.10%的平均DSC，为所有方法最优，同时仅出现1.27%的性能衰减，有效缓解了错误累积和灾难性遗忘，远优于梯度对齐、熵最小化等方法。，前者提取跨医院、跨设备的通用语义知识，后者捕捉特定数据的专属特征，通过注意力和反向注意力机制，将两类全局信息注入局部特征，有效缓解域偏移下的噪声干扰，让特征更稳定、更具代表性。：消融实验证明，移除语义提示或图聚类模块后

 是王同学呀
2026-03-21 00:18:56

 496

 10

#人工智能 #科技 #聚类 +2
通俗易懂讲透谱聚类（Spectral Clustering）

谱聚类是一种强大的聚类算法，特别擅长处理复杂形状和非线性边界的数据。与K-Means不同，谱聚类通过分析数据点之间的连接关系而非直接距离，能够有效解决月牙形、环形等复杂分布数据的聚类问题。其核心流程包括构建相似度矩阵、度矩阵和拉普拉斯矩阵，进行特征分解后在新特征空间执行简单聚类。谱聚类在图像分割、社交网络分析等领域表现优异，但计算复杂度较高，适用于小规模高维数据。本文通过生活案例、数学推导和实战代

 在外追梦的打工人
2026-04-18 16:32:06

 903

 22

#聚类 #机器学习 #人工智能 +1
基于霜冰优化算法RIME改进Kmeans聚类附Matlab代码

一、核心痛点：传统 Kmeans 聚类的两大关键困境Kmeans 作为最经典的划分式聚类算法，凭借 “原理简单、计算高效、易于实现” 的优势，在数据挖掘、图像分割、用户画像等场景中广泛应用。聚类数量 K 需预设：K 值完全依赖人工经验或试错法确定，K 过大导致簇过度细分（碎片化），K 过小导致簇合并（信息丢失），尤其在无先验知识的复杂数据场景中，K 值选择盲目性极强；初始聚类中心敏感：传统 Kme

Matlab科研辅导帮
2026-01-14 19:57:39

 554

 8

#算法 #kmeans #聚类
《机器学习》——聚类

摘要聚类是一种无监督学习方法，通过相似性度量将数据样本分组，实现“物以类聚”。常见算法包括： K均值聚类：基于距离划分K个簇，需预设簇数，对初始中心敏感；层次聚类：通过聚合或分裂构建层次化簇结构；密度聚类：基于样本紧密程度识别任意形状簇，可过滤噪声。评估指标如轮廓系数、簇内平方和等衡量簇内紧密度与簇间分离性。降维方法如奇异值分解（SVD）和主成分分析（PCA）通过保留关键信息减少数据维度。

编程小白Joker
2026-02-21 16:06:59

 1069

 17

#机器学习 #聚类 #支持向量机
从“人物主题”到“身份级记忆”：智能影记新增人脸聚类主线与调试能力实践

本文介绍了智能相册项目中新增人脸聚类主线的关键决策与技术实现。针对原有"人物主题聚类"无法满足身份识别需求的问题，团队建立了独立的人脸聚类系统，核心包括：1) 新增FaceEntity按脸存储数据；2) 构建完整的人脸检测-裁剪-特征提取-聚类链路；3) 实现可替换的FaceEmbeddingService抽象层；4) 开发可视化调试页面。该系统采用"先长大再淘汰&q

2301_81754744
2026-03-30 11:30:00

 1253

 45

#聚类 #机器学习 #支持向量机 +2
【图像分割】基于黎曼流形特征空间的多视角聚类遥感图像分割附Matlab代码

一、引言：遥感图像分割的痛点与黎曼多视角的破局价值1.1 遥感图像分割的核心应用场景与现存问题遥感图像分割是土地利用分类、植被覆盖监测、灾害应急评估等领域的核心技术。但多视角遥感图像（如光学、SAR、高光谱）存在三大痛点：① 多视角特征维度高、冗余度大，传统欧氏空间降维易丢失关键几何结构；② 不同视角特征（光谱、纹理、空间）的互补性未被充分挖掘，单一视角分割鲁棒性差；③ 遥感图像受噪声、云层干扰及

 Matlab_数学建模助手
2026-01-23 16:41:48

 809

 7

#聚类 #matlab #数据挖掘
01华夏之光永存：黄大年茶思屋榜文解法「12期1题」

本文针对黄大年茶思屋第12期1题"高可靠数据库跨Region一致性日志同步协议"提出两套工程化解题方案：1）在原始约束下的行业顶尖过渡方案，虽能实现强一致性和低延迟但存在长期隐患；2）通过修正约束偏差提出的本源级方案，采用业务分级一致性和双层架构设计，性能提升60-80%且无后续隐患。两套方案均通过详细工程指标对比，核心参数已做保护处理。该技术突破对华为分布式数据库全球化部署具

 华夏之光永存小号
2026-04-22 21:57:21

 374

 9

#人工智能 #大数据 #华为 +3
通俗易懂讲透均值漂移（Mean Shift）聚类算法

摘要： Mean Shift是一种无需预设簇数的密度聚类算法，通过让数据点向高密度区域漂移实现自动分组。其核心思想是设置带宽参数（h），计算每个点邻域内的加权均值并迭代移动，直到收敛形成聚类。算法优点包括适应任意形状簇、抗噪声，但计算复杂度高且对带宽敏感。适用于图像分割、目标跟踪等场景，尤其适合不规则分布的小规模数据。文中通过糖果分组案例、公式推导和Python代码（含自动带宽估算与可视化）详细讲

 在外追梦的打工人
2026-04-17 08:18:56

 781

 17

#算法 #均值算法 #聚类 +2
单相交直交变频电路的Simulink仿真与电力电子设计：包括主电路、驱动电路及控制电路的Mat...

咱们在Simulink里搭建时，直接拖拽Universal Bridge模块，把参数里的Number of bridge arms改成2，Power Electronic device选Diodes就行。当调制比超过0.9时，仿真波形会出现明显的马鞍形失真，这时候就得在算法里加个限幅器。Simulink仿真，电力电子仿真，Matlab仿真等，单相交直交变频电路，先整流再逆变，报告内含主电路，驱动电

 侠***I
2026-01-02 15:45:00

 334

 3

#聚类
数据分析CNN

1.数据处理加载数据检查空值与缺失值数据标准化数据重塑标签编码分割训练集与验证集2.CNN定义模型设置优化器与退火器数据增强3.评估模型测试集与验证集曲线混淆矩阵...

qq_33799246
2019-06-23 12:35:40

 571

#数据分析 #聚类
《Python数据分析与挖掘实战》第14章——基于基站定位数据的商圈分析（层次聚类）

本文是基于《Python数据分析与挖掘实战》的实战第14章《基于基站定位数据的商圈分析》做的分析。1 挖掘背景及目标从某通信运营商提供的特定接口解析得到用户的定位数据。利用基站小区的覆盖范围作为商圈区域的划分，归纳出商圈的人流特征和规律，识别出不同类别的商圈，选择合适的区域进行运营商的促销活动2 数据预处理2.1 数据标准化查看部分数据#数据标准化到[0,1]import pand...

curd_boy
2019-05-12 00:09:48

 1625

#聚类
数据挖掘中免费数据集下载网站

数据挖掘实验数据集参考

 打江南走过一阵
2016-12-18 19:28:41

 1w

 1

#数据挖掘 #机器学习 #聚类 +1
在java中调用weka聚类方法并显示相应的类标签+weka中创建arff数据

1.读取arff文件Instances data = new Instances(new BufferedReader(new FileReader("/some/where/data.arff")));// setting class attributedata.setClassIndex(data.numAttributes() - 1);2.直接在程序中创建数据集（1

洛克-李
2016-12-07 12:02:46

 2182

#聚类 #java
数据挖掘/机器学习之聚类

聚类：对点集进行考察并按照某种距离测度将他们聚成多个簇的过程，目标是使得同一个簇内的点之间距离比较短，不同簇中点的距离较大一般是从给定的数据中发现簇，尤其是大数据量及高维空间或非欧空间点集是一种适合于聚类的数据集，每个点都是某空间下的对象，能够进行聚类的所有空间都有一个距离测度，即空间下任意两点的距离聚类策略：层次（hierarchical或者凝聚式agglomerativ

back-to-back
2016-04-11 17:17:01

 862

#数据挖掘 #机器学习 #聚类
数据挖掘总结之分类与聚类的区别

分类与聚类的区别Classification (分类)：一个 classifier会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)。所谓分类，简单来说，就是根据文本的特征或属性，划分到已有的类别中。常用的分类算法包括：决策树分类法，朴素的贝叶斯分类算法(native Bayesian clas

**码上人生**
2016-02-04 16:40:56

 4882

 1

#数据挖掘 #分类 #聚类
数据挖掘之聚类

聚类一、聚类综述聚类分析提供由个别数据对象到数据对象所指派到簇的抽象。此外，一些聚类技术使用簇原型（即代表簇中其他对象的数据对象）来刻画簇的特征。聚类分析是研究发现最具有代表性的簇原型的技术。回归和PCA的时间复杂度都是O(m2)。注意：簇的定义是不精确的，而最好的定义依赖于数据的特征和期望的结果。聚类分析与其他将数据对象分组的技术有关。监督学习（也叫监督分类或

 风雪夜归子
2015-10-04 21:33:31

 5878

 1

#数据挖掘 #聚类
数据挖掘笔记-聚类-SpectralClustering-原理与简单实现

谱聚类(Spectral Clustering, SC)是一种基于图论的聚类方法——将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。其中的最优是指最优目标函数不同，可以是MinCut、Nomarlized Cut、Ratio Cut等。谱聚类能够识别任意形状的样本空间且收敛于全局最优解，其基本思想是利用样本数据的相似矩阵(拉普

 人生偌只如初见
2014-09-02 15:42:10

 4295

 1

#数据挖掘 #聚类
数据挖掘（聚类分析）

概况：数据挖掘对聚类算法的要求：可伸缩性（在小数据集上算法优，同样要求在大数据集上算法优）、处理不同类型数据的能力、发现任意形状簇的能力、输入参数的领域知识最小化、处理噪声数据的能力、对输入数据顺序的敏感、可解释性和可用性、基于约束的聚类、处理高维数据的能力。聚类方法的分类：基于划分的方法：构建数据集的k个划分，每个划分表示一个聚类（每个划分至少包含一个对象、每个对象只属于一个划分（可

 CodeAsWind
2014-09-19 15:15:59

 3551

#大数据 #数据挖掘 #聚类
数据挖掘笔记-聚类-KMeans-原理与简单实现

K-means（k均值）算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。基本算法：1.选择K个点作为初始质心。2.Repeat3.将每个点指派到最近的质心，形成K个簇。4.重新计算每个簇的质心。

人生偌只如初见
2014-06-28 23:52:43

 2754

#数据挖掘 #聚类
从神经元到神经网络：深度学习的本质

这篇文章将带你从零开始理解神经网络。我们会从生物神经元讲起，一步步推导到人工神经网络，理解前向传播、反向传播的原理，最后用PyTorch实现你的第一个神经网络。

玄同765
2026-03-25 01:47:13

 366

 10

#深度学习 #神经网络 #人工智能 +4
基于 K-means 聚类的天天基金数据分析、挖掘、可视化

摘要本项目利用无监督学习对11,344只公募基金进行智能聚类分析，通过K-means算法识别具有相似风险收益特征的基金群体。研究流程包括数据采集、清洗、特征工程和建模，构建了收益、风险和结构三类核心特征。最优聚类数为2，清晰区分出稳健型（低增长低波动）和进取型（高增长高波动）基金，其中医疗健康主题基金表现突出。研究发现市场存在明显两极分化，但项目仍存在数据时效性等局限，未来计划引入动态聚类和NL

、BeYourself
2026-01-13 20:56:56

 1106

 19

#kmeans #聚类 #数据分析
【Python 数据分析实战】NBA 球员数据聚类全流程：K-means/BIRCH/DBSCAN

本文基于NBA球员常规赛统计数据，使用三种主流聚类算法（K-means、BIRCH、DBSCAN）对球员进行能力分类。首先通过数据清洗、特征选择和标准化处理，选取得分、助攻、篮板等核心指标。K-means采用肘方法确定最佳聚类数为3，BIRCH通过聚类特征树实现高效分组，DBSCAN基于密度自动识别簇结构。实验结果显示不同算法能有效区分"得分手""全能球星"

xiaTxia
2026-01-08 20:03:38

 784

 24

#python #数据分析 #聚类
基于K-means聚类和BP神经网络的血糖预测附Matlab代码

核心思想一种无监督学习算法，将数据集中的样本划分为 K 个簇，使得簇内样本相似度高，簇间样本相似度低。通过迭代优化簇中心，最小化簇内样本的平方和误差。优势算法简单易懂，计算效率高。可用于数据探索，发现数据中的自然分组。应用对血糖数据进行聚类，将患者分为不同的亚组（如高血糖组、低血糖组、正常血糖组）。为每个亚组单独建立 BP 神经网络模型，提高预测精度。

matlab科研助手
2025-11-13 16:14:19

 599

 30

#kmeans #聚类 #神经网络
关于强化学习的一篇经典学习文章

关于强化学习的了解，为以后的Agent开发奠定基础

 2301_79619694
2025-09-19 23:04:21

 693

 29

#深度学习 #机器学习 #人工智能 +4
Linux环境安装faiss-gpu库的问题汇总（量大管饱）

失败方案：思考，既然faiss-gpu对版本敏感，那直接安装faiss-gpu-cu12版本不就好了，结果安装完成后，运行项目，一开始就报错“undefined symbol: cublasLtGetEnvironmentMode, version libcublasLt.so.12”。但是faiss-gpu不同版本对运行环境非常敏感，faiss-gpu版本过低会导致找不到attribute。过高

 一个小J
2025-09-19 15:05:00

 1107

 3

#faiss #深度学习 #服务器 +1
08聚类——《数据挖掘（主编：吕欣王梦宁）》读书笔记

聚类：基于特定的距离或相似度度量，将数据集划分为k个子集合Ck，又称为簇簇有和两个描述指标质心m：簇内样本的平均值mini1xi∈Ci∑xi半径r：半径为簇内所有样本到质心距离的均方差的平方根rini∑xi∈Cixi−mi2。

m0_61321596
2025-08-25 15:34:48

 772

 22

#数据挖掘 #聚类 #机器学习
基于RFM模型的客户群体大数据分析及用户聚类系统的设计与实现

本项目基于RFM模型与聚类算法，开发了一个客户群大数据分析系统。系统采用Flask+Layui+MySQL技术栈，融合传统RFM规则打分与K-means/MiniBatchK-means聚类算法，实现客户价值多维评估。核心功能包括数据预处理、RFM建模、智能聚类分析和可视化展示，支持用户分层管理。通过标准化数据处理和最佳聚类数确定，系统能精准识别高价值客户群体，并利用Pyecharts生成交互式图

 王小王-123
2025-08-25 16:47:36

 1716

 21

#数据分析 #聚类 #数据挖掘
基于数据挖掘的网络学习行为应用系统实现

本文介绍了一个基于大数据技术的智能化学习行为分析平台，采用微服务架构设计，整合机器学习算法和数据挖掘技术。系统包含四大核心模块：数据采集模块实现多源异构学习数据的分布式采集；数据存储模块采用HDFS、HBase等分布式存储技术；数据分析模块应用各类机器学习算法进行学习行为建模；可视化模块提供丰富的交互式数据展示。系统创新性地实现了多源数据融合、自适应分析模型和实时-离线混合分析技术，可支持个性化学

 毕设源码实验室
2025-08-25 21:24:05

 927

 22

#数据挖掘 #学习 #人工智能 +3
数据挖掘——聚类算法

同一簇内数据相似度最大化（高内聚）不同簇间差异度最大化（高分离）公式化定义：给定数据集Dx1x2xnDx1x2...xn，将其划分为kkk个子集C1C2CkC1C2...Ck⋃i1kCiD且Ci∩Cj∅i≠j\bigcup_{i=1}^k C_i = D \quad \text{且} \quad C_i \cap C_j = \emptyset \quad (i \neq j)i1。

少年你眸若星辰
2025-08-25 18:11:47

 1068

 19

#数据挖掘 #算法 #聚类
计算机毕业设计之基于Kmeans聚类的航空客户数据分析

摘要：本研究运用Kmeans聚类算法分析航空客户数据，结合Hadoop和Spark进行大数据处理，sklearn实现算法优化，识别不同客户群体。系统采用vue前端展示聚类结果，django搭建后端服务，确保稳定安全。通过可视化大屏展示各会员等级平均消费柱状图，帮助企业了解消费差异，优化会员服务策略。该研究为航空业客户关系管理和精准营销提供数据支持。

微信bishe23
2025-08-25 16:40:22

 300

 2

#kmeans #聚类
基于python的亚马逊最畅销小说数据分析与可视化系统【K-means聚类】

本项目构建了一个基于Python的亚马逊畅销小说数据分析系统，通过数据清洗、可视化分析和K-Means聚类算法，对2009-2019年的畅销书数据进行深入挖掘。系统采用B/S架构，包含数据管理、用户管理、可视化分析等模块，运用多种图表展示类别分布、评分趋势等数据特征。通过聚类分析将作者分为四类，为出版商、作者及销售平台提供市场洞察。系统具有交互性强、算法驱动等特点，未来可扩展情感分析等智能功能。

王小王-123
2025-08-15 10:43:41

 1667

 18

#python #数据分析 #kmeans +1
空转分析实战15：Visium HD 高分辨空间数据分析实战

10X Visium HD 高分辨空间数据分析实战

 weixin_44359288
2025-08-04 15:02:01

 1089

 3

#数据分析 #聚类
初识无监督学习-聚类算法中的K-Means算法，从原理公式到简单代码实现再到算法优化

本文介绍了无监督学习中的K-Means聚类算法。K-Means是一种通过迭代寻找k个聚类中心的算法，其目标是最小化簇内平方误差和。算法步骤包括：1)随机初始化k个质心；2)将每个数据点分配到最近质心对应的簇；3)根据当前簇成员重新计算质心位置；4)重复2-3步直至收敛。文章提供了Python实现代码，包括质心初始化、K-Means核心算法和可视化部分，使用sklearn生成模拟数据验证算法效果。K

_Orch1d_
2025-08-01 01:23:54

 700

 5

#算法 #学习 #聚类 +4
56、使用scikit-learn实现K-Means聚类【用Python进行AI数据分析进阶教程】

摘要：本文介绍了如何使用scikit-learn库实现K-Means聚类算法。文章首先概述了K-Means聚类的基本概念，随后详细讲解了其关键点，包括聚类数K的选择方法（如肘部法则、轮廓系数法）、初始质心选择（默认为k-means++算法）、距离度量方式（默认为欧几里得距离）以及收敛条件。同时，文章强调了数据预处理（标准化或归一化）、局部最优解的规避（多次运行算法）和异常值处理等注意事项。

理工男大辉郎
2025-07-21 07:45:00

 1536

 40

#scikit-learn #kmeans #聚类
Python聚类数据分析

文章主要介绍了Python聚类数据分析相关内容，先是阐述了其一般步骤，涵盖数据准备（如导入库、处理数据等）、选择聚类算法（像K-Means聚类、层次聚类等）、评估聚类效果（内部和外部评价指标）以及可视化展示等方面；接着说明了Python聚类数据分析的作用，包括发现数据结构、助力客户细分、应用于图像识别、生物分类、异常检测以及数据压缩等多个领域

 W20246030187
2025-06-12 22:50:11

 1499

 40

#python #聚类 #数据分析
【和鲸社区获奖作品】内容平台数据分析报告

本项目为和鲸社区《内容平台数据分析实战》活动中的7.5分作品。

蓝皮怪
2025-02-28 22:14:02

 1368

 23

#数据分析 #数据挖掘 #聚类
Python：社会网络分析之Louvain 算法

算法首先将每个节点作为一个单独的社区，然后迭代地将节点移动到能使模块度增加最大的邻居社区中，直到模块度不再增加。图的转换：将 networkx 图对象 G 转换为 igraph 图对象 igG，因为 igraph 提供了 Louvain 聚类算法的实现。可视化：使用 networkx 的绘图函数绘制节点和边，最后使用 matplotlib 显示图形。颜色分配：根据节点所属的聚类类别为每个节点分配冷

 璐仔很忙呀
2025-02-25 20:31:34

 1133

 19

#python #算法 #开发语言 +1
基于GIS的空间聚类算法及其在地理数据分析中的应用

地理信息系统(GIS)在处理和分析空间数据方面具有强大的能力，而空间聚类算法是GIS中用于探索空间数据模式和结构的重要工具。空间聚类算法通过将地理空间中的对象分组为具有相似特征的簇，帮助我们更好地理解地理现象的分布规律。本文将探讨基于GIS的空间聚类算法的基本原理、常用算法以及在地理数据分析中的实际应用。一、空间聚类算法概...

egzosn
2025-01-25 09:53:26

 630

 5

#算法 #聚类 #数据分析 +2
数据挖掘之聚类分析

是数据挖掘中的一项重要技术，旨在根据对象间的相似性或差异性，将对象分为若干组（簇）。同一簇内的对象相似性较高，而不同簇间的对象差异性较大。聚类分析广泛应用于图像处理、市场细分、文本分析、基因分析等多个领域。样本点通常是具有多维特征的数据实例，特征可以是数值型或类别型，描述样本的属性。

dundunmm
2024-12-09 22:29:58

 2405

 29

#机器学习 #人工智能 #聚类 +1
基于机器学习的健身房会员健康风险分类及预测分析

随着健康意识的提升和健身文化的普及，人们对科学健身和个性化训练的需求日益增长，健身房会员的锻炼模式和健康管理需求呈现出新的特点，本项目使用基于真实健身模式生成的973位会员数据进行深入分析，探索不同会员群体的训练特征和健康风险，了解影响会员训练效果的关键因素，这不仅有助于理解会员的锻炼习惯，还可以为健身房优化服务体系、制定更科学的训练计划提供数据支持，同时，通过建立健康风险预测模型，可以更好地识别

 蓝皮怪
2024-11-05 22:16:39

 2474

 23

#聚类 #机器学习 #随机森林
【Python】数据可视化之聚类图

Seaborn的sns.clustermap函数用于创建聚类热图，通过颜色和位置直观展示数据相似性。主要参数包括数据输入、行列聚类控制、距离度量方法、标准化处理及颜色映射。函数返回ClusterGrid对象，支持进一步自定义。参考实现展示了不同应用场景：基础聚类、大小布局调整、彩色标签添加、颜色映射修改、聚类参数变更、数据标准化和规范化处理。该工具适用于探索性数据分析，但需注意大数据集可能增加计算

 Frost_Descent_Z
2026-04-17 13:07:07

 6034

 81

#python #信息可视化 #聚类
计算机视觉第六章图像聚类

首先创建一个包含叶节点的列表，然后根据选择的距离度量方式将距离最近的对归并到一起，返回的终节点即为树的根。当然，还有其他将哪两个节点合并在一起的方案，比如在两个子树中使用对象间距离最小的单向锁，及在两个子树中用对象间距离最大的完全锁。创建一个矩阵，该矩阵的各列是由之前求出的k个特征向量构成，每一行可以看做一个新的特征向量，长度为k。是输入数据，并且是矢量。将图像区域或像素合并成有意义的

 鲸~屿
2024-09-02 22:55:35

 1408

 12

#计算机视觉 #聚类 #机器学习
【图神经网络基础】认识数据集--同质图和异质图的区别

同质图是指图中的所有节点和边都是同一种类型，结构和属性相对统一，适用于简单而统一的图神经网络模型。而异质图包含多种类型的节点和边，结构复杂，需要针对不同类型的节点和边设计专门的模型和方法，以充分利用异质信息进行特征提取和关系建模。

鳗小鱼
2024-05-21 15:13:12

 5016

 40

#神经网络 #人工智能 #深度学习 +4

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号