聚类_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

聚类分析（K-means聚类、层次聚类、二步聚类）及SPSS实操简单阐述了三类聚类分析的原理与概念，主要呈现了三类聚类分析的SPSS实操过程与结果呈现

阅读 8.3k

42赞

使用pyannote-audio实现声纹分割聚类 pyannote.audio是用Python编写的用于声纹分割聚类的开源工具包。在PyTorch机器学习基础上，不仅可以借助性能优越的预训练模型和管道实现声纹分割聚类，还可以进一步微调模型。

阅读 8.0k

20赞

CLIMB自举框架：基于语义聚类的迭代数据混合优化及其在LLM预训练中的应用 CLIMB框架是一种创新的基于聚类的迭代式数据混合自举方法，专为优化LLM预训练数据混合而设计。CLIMB通过自动化数据混合的发现、评估与优化过程，以明确的性能指标为目标改进了大规模预训练效果。通过结合无监督聚类、代理模型训练和性能预测技术，CLIMB能够高效地探索庞大的数据组合空间，无需依赖预定义的领域标签或大量人工干预即可构建最优的领域感知混合策略。实验结果表明，使用CLIMB优化的数据混合训练的350M和1B参数规模模型，在12项推理任务上均达到了当前最先进的性能水平。

阅读 4.3k

27赞

【机器学习】深入无监督学习分裂型层次聚类的原理、算法结构与数学基础全方位解读，深度揭示其如何在数据空间中构建层次化聚类结构这个代码展示了如何通过K-means聚类方法实现分裂型层次聚类。每次分裂都是基于当前簇的质心，通过最小化误差平方和（SSE）来划分成两个子簇。你可以通过调整参数来控制分裂的停止条件，进而决定最终聚类的数量。

阅读 2.3k

132赞

【机器学习】任务七：聚类算法（K-means 算法、层次聚类、密度聚类对鸢尾花（Iris）数据进行聚类） K-Means：适合规则分布的大规模数据，快速聚类。层次聚类：适合小规模数据和需要层次结构的场景，如基因分析或市场细分。DBSCAN：适合处理复杂形状簇和含有噪声的数据，如地理空间数据或异常检测。距离和相似度度量：用于选择合适的距离度量方式，根据数据的特征进行优化选择。这些算法在不同的应用场景中表现各异，建议根据数据特点选择合适的算法。如果有其他问题或需要深入探讨，可以随时提问！这段代码实现了对鸢尾花数据集的层次聚类，并通过树状图可视化了数据点的合并过程。

阅读 5.3k

50赞

聚类系列 (二)——HDBSCAN算法详解最详细最全最易懂的HDBSCAN算法详解，从DBCSN到OPTICS再到HDBSCAN。DBSCAN、OPTICS 和 HDBSCAN 都是基于密度的聚类算法，它们在处理复杂数据分布、发现任意形状簇和识别噪声点方面表现良好。DBSCAN 是密度聚类的基础算法，OPTICS 改进了其对不同密度簇的适应性，而 HDBSCAN 进一步结合了层次聚类的思想，并提供了自动化的簇提取方法，适用于更广泛的场景。

阅读 3.0k

31赞

【机器学习chp12】半监督学习（自我训练+协同训练多视角学习+生成模型+半监督SVM+基于图的半监督算法+半监督聚类）半监督学习的定义和基本思想半监督学习（Semi-Supervised Learning，SSL）结合了监督学习和无监督学习的特点。它的基本思想是使用少量的标注数据和大量的无标注数据进行学习。标注数据相对较贵且稀缺，而无标注数据通常可以轻松获得，因此半监督学习能够在实际应用中发挥巨大作用。监督学习：依赖大量标注数据，通过标注数据训练模型进行分类或回归任务。无监督学习：使用未标注数据进行训练，主要用于聚类或数据表示学习，不依赖标签。

阅读 879

8赞

平凡程序猿~

深入解密 K 均值聚类：从理论基础到 Python 实践 K 均值聚类是一种基于质心的聚类算法，它通过反复迭代的方式将数据点分配到 K 个聚类中。每个质心代表一个聚类的中心位置，算法会不断调整质心的位置，直到满足一定的收敛条件。K 均值聚类的目标是最小化每个聚类内部所有点到其质心的距离之和。具体来说，K 均值聚类的步骤可以概括如下：随机选择 K 个初始质心。将每个数据点分配到离它最近的质心所在的聚类。重新计算每个聚类的质心，即对聚类中的所有数据点取平均值。重复步骤 2 和 3，直到质心的位置不再发生变化，或者达到预设的迭代次数。

阅读 6.9k

103赞

[机器学习聚类算法实战-1] | Scikit-Learn工具包进阶指南：机器学习聚类算法之层次聚类、特征集聚、均值移位聚类、k-均值聚类实战分析机器学习中的聚类分析是一种无监督学习方法，旨在将数据点划分为相似的组或簇，使得同一组内的数据点彼此相似，而不同组之间的数据点则相对较不相似。聚类分析可以帮助我们理解数据的内在结构，发现数据中隐藏的模式，并将数据进行自然的分组，从而为进一步分析或决策提供基础。K-Means 聚类：将数据点分成预先指定的 k 个簇，每个簇具有最小化簇内平方误差的中心点。K-Means 是一种迭代算法，通过不断更新簇中心点来优化聚类结果。层次聚类：逐步将数据点合并到不断增长的聚类中，形成层次结构。

阅读 3.4k

84赞

K-Means 聚类：K值选择与模型评估对于每个数据点，轮廓系数CH 指数的公式如下：其中：是簇间离散度（Between-cluster dispersion）。是簇内离散度（Within-cluster dispersion）。是聚类的数量（簇的数量）。是样本的数量。选择 K 值的过程并不是单一的，可以结合以上多种方法得到更好的结果。在实际应用中，最好结合经验、领域知识和多种评估指标来选择 K 值，以提高聚类效果。

阅读 2.8k

19赞

MATLAB科研小白

【24年优化算法】捕鱼优化算法（CFOA）：一种解决聚类问题的新的人类行为算法捕鱼优化算法（Catch fish optimization algorithm,CFOA）是期刊“Cluster Computing ”的智能优化算法。

阅读 1.4k

18赞

【机器学习-无监督学习】聚类本文主要介绍了k均值聚类算法和其改进版k-means++，并动手实现了k均值算法。然后学会使用sklearn中的Kmeans算法、层次聚类算法和DBSCAN算法。

阅读 3.3k

80赞

拓端研究室

Python用K-Means均值聚类、LRFMC模型对航空公司客户数据价值可视化分析指标应用信息时代的来临使得企业营销焦点从产品中心转向客户中心，客户关系管理成为企业的核心问题。客户关系管理的关键是客户分群，通过客户分群，区分无价值客户和高价值客户，同时更好的了解客户的特征，使企业能够针对不同价值客户指定优化的个性化服务方案，实现精细化运营。客户分群是关键节点。任务/目标根据航空公司观测窗口内的客户社会信息、乘机信息和积分信息对客群进行价值分类，为业务提供运营策划参考。数据源准备选取宽度为两年的分析观测窗口，抽取观测窗口内有乘机记录的所有客户的详细数据，共62988行。

阅读 1.7k

17赞

利用K-means算法实现光伏时间序列聚类与削减的研究通过削减后的场景，可以进行光伏系统的灵活调度和优化，并对光伏系统的性能进行评估。通过基于k-means算法的光伏场景聚类方法，我们对生成的光伏场景进行聚类和削减实验。为了评估基于k-means算法的光伏时间序列聚类方法的性能，我们可以对聚类和削减后的数据集进行性能评估。本代码研究大量随机场景下光伏序列聚类与削减问题，首先，生成大量光伏随机场景，其次，在此基础上，基于Kmeans算法，对该大规模场景进行聚类，从而实现大规模场景的削减，最后，依据削减后的场景，可进行调度和优化以及评估；光伏场景聚类与削减实验。

阅读 1.7k

40赞

使用CiteSpace软件对知网文献进行关键词共现/聚类/突现分析一、基本概念CiteSpace（引文空间）是一款专注于分析科学分析中蕴含的潜在知识的软件。它是在科学计量学、数据可视化背景下逐渐发展起来的引文可视化分析软件。通过可视化的手段，CiteSpace能够呈现科学知识的结构、规律和分布情况，并因此将这种分析得到的可视化图形称为“科学知识图谱”。二、主要功能和用途知识图谱构建：根据科学文献的引用关系，CiteSpace可以生成知识图谱，帮助研究人员更好地理解学术领域中不同文献之间的联系和演化过程。主题聚类分析。

阅读 1.6w

73赞

【科研绘图】【K-均值聚类图】：附Origin详细画图流程 K-均值聚类图，通过可视化方式展示K-均值聚类算法结果的一种图形。这种图形有助于直观地评估聚类效果。K-均值聚类图主要通过散点图的形式展示聚类结果。在散点图中，每个数据点代表一个观测值，不同的颜色或形状代表不同的簇，而簇的质心则以特定的标记（如圆圈、星号等）表示。

阅读 6.3k

18赞

以山河作礼。

【机器学习】13.十大算法之一K均值算法（K-means）聚类详细讲解 K-means聚类算法是一种经典的无监督学习算法，它通过迭代过程来对数据进行聚类。聚类的目的在于把具有相似特征的数据分为若干组或簇，使得同一组内数据的相似度尽可能高，而不同组之间的数据相似度尽可能低。该算法的基本思想是随机选择K个数据点作为初始聚类中心，接着将每个数据点分配到最近的簇中心，然后重新计算每个簇的中心点，此过程不断迭代进行，直至满足停止条件，即簇中心的位置不再发生显著变化或达到预设的迭代次数。K-means算法的实现主要包括两个关键步骤：数据点的分配和簇中心的更新。

阅读 7.3k

13赞

菜就多练_0828

《机器学习》K-means 聚类原理、参数解析、案例实现 K-means是一种常用的无监督学习算法，用于将数据集中的对象划分为k个不同的组或簇。该算法的目标是最小化每个数据点与所属簇的质心之间的平方欧氏距离之和。

阅读 6.2k

55赞

K-means聚类算法的应用以及实现聚类算法博大精深，每一种算法都有自己的实现原理，单拿 K-means 算法来说，就有多种基于它的衍生算法，比如二分 K-means 算法、K-means++ 算法、K-measn|| 算法、Canopy 算法，以及 Mini Batch K-means 算法等，这些算法的出现主要是为了弥补 K-means 算法的不足，比如随机选择初始簇质心点，以及 K 值敏感等问题。

阅读 1.3k

22赞

机器学习-聚类聚类算法是一种无监督学习方法，用于将数据集中的对象分成多个组（或簇），使得同一个簇内的对象彼此之间的相似度较高，而不同簇的对象之间相似度较低。聚类的目标是在没有类别标签的情况下，根据对象的特征自动地发现数据内在的结构或分布模式。

阅读 941

9赞

作者推荐

龙虾在剥我的壳: 世事如书

关注

slandarer: 近期略忙，偶尔更新[头秃]

关注

武艺晴小朋友你好: 人一生也就这么一回，追求把一件事情做到极致的人儿：真的好美

关注