聚类标签_码道开发者社区

聚类

机器学习-K-means聚类

机器学习可以分为无监督学习与有监督学习两类，之前所了解的线性回归、逻辑回归与决策树等等，都是有监督学习，根据学习输入样本特征与标签之间来进行回归、分类等。而无监督学习则没有标签，需要自动的来寻找挖掘来一些可用的信息，对于聚类而言，则是。

m0_67703435
2025-09-07 17:54:05

 1082

 6

#机器学习 #kmeans #聚类
机器学习09——聚类（聚类性能度量、K均值聚类、层次聚类）

本文系统介绍了聚类任务的核心概念与方法。作为无监督学习的关键技术，聚类旨在将无标记样本划分为若干簇，揭示数据内在结构。文章详细阐述了聚类性能度量（外部指标如JC/FMI/RI和内部指标如DBI/DI）、距离计算方式（闵可夫斯基距离、VDM等），并重点分析了原型聚类（k均值、高斯混合模型）和层次聚类（AGNES）的算法原理与特点。最后指出，实际应用中需根据数据特性和任务需求选择合适的聚类方法，平衡效

 君名余曰正则
2025-09-09 09:56:24

 1387

 13

#机器学习 #聚类 #支持向量机
大数据终极指南：从颠覆性力量到“杀熟”陷阱

大数据是一种具备规模大、速度快、多样性、价值密度低和真实性挑战的数据集合，其5V特性超越了传统数据处理能力。通过分布式计算等技术，企业能从海量数据中提取商业价值。主要应用包括精准营销（协同过滤算法）、风险管理（异常检测）、供应链优化（时间序列分析）和用户画像（聚类算法）。最具争议的是"大数据杀熟"，即利用用户画像进行个性化定价，这虽能最大化利润但涉及伦理问题。未来企业需平衡数据

 mz159_357
2025-09-11 09:45:19

 861

 20

#大数据 #机器学习 #聚类 +2
小杰机器学习（five）——PyTorch、Tensor（torch库）、Tensor的基本属性、连续性、张量、随机树种子（seed）。

湖光秋月两相和，潭面无风镜未磨。

jie*
2025-09-11 18:38:10

 1284

 21

#机器学习 #人工智能 #sklearn +3
机器学习之聚类算法

这篇文章系统介绍了聚类算法的核心知识。首先从基本概念、应用场景和常见分类切入，奠定理论基础；随后讲解聚类算法API的具体调用和代码实践，衔接理论与应用；重点剖析了KMeans算法的实现流程；最后详细阐述了三种主流评估指标：SSE（肘部法则）、SC（轮廓系数）和CH（Calinski-Harabasz指数），为模型效果量化提供依据。

澜羽_hanru
2025-09-17 15:17:03

 1077

 12

#机器学习 #聚类 #人工智能
小杰机器学习（eight）——tensorflow进行线性回归——算法实现、数据加载、模型定义、模型保存与加载、查看网络结构。

疏影横斜水清浅，暗香浮动月黄昏。

jie*
2025-09-17 19:41:02

 872

 22

#机器学习 #tensorflow #线性回归 +4
DAY17 机器学习聚类-

首先在聚类之前需要进行标准化。

mir frog
2025-09-18 16:59:12

 267

 9

#机器学习 #聚类 #支持向量机
【机器学习与实战】分类与聚类算法：K-Means聚类分析-01聚类算法

【机器学习与实战】分类与聚类算法：K-Means聚类分析-01聚类算法

 AI小云
2025-09-19 10:02:19

 1178

 32

#机器学习 #人工智能 #聚类 +3
【机器学习与实战】分类与聚类算法：K-Means聚类分析-02实战演练

【机器学习与实战】分类与聚类算法：K-Means聚类分析-02实战演练

 AI小云
2025-09-22 09:37:58

 1246

 32

#机器学习 #分类 #聚类 +4
机器学习实战第九章聚类

聚类算法在无监督学习中的实践探索本文系统剖析了三种主流聚类算法（K-Means、DBSCAN和GMM）的技术特点与应用边界。K-Means作为基准模型高效直观但受限于球形簇假设；DBSCAN基于密度连接可识别任意形状簇但参数敏感；GMM采用概率化方法能处理边界模糊数据并支持异常检测。文章特别强调了工程实践中的关键考量：参数调优策略（如K-Means的n_init、DBSCAN的eps选择）、模型

 hi0_6
2025-09-22 12:00:00

 1562

 40

#机器学习 #聚类 #人工智能 +3
【机器学习与实战】分类与聚类算法：K-Means聚类分析-03模型评估

【机器学习与实战】分类与聚类算法：K-Means聚类分析-03模型评估

 AI小云
2025-09-23 13:30:00

 1282

 26

#机器学习 #算法 #分类 +4
小杰机器学习（eight）——K均值聚类

弄石临溪坐，寻花绕寺行。时时闻鸟语，处处是泉声。

jie*
2025-09-24 15:50:28

 1429

 44

#机器学习 #均值算法 #聚类 +4
【机器学习与实战】分类与聚类算法：KNN鸢尾花分类

【机器学习与实战】分类与聚类算法：KNN鸢尾花分类

 AI小云
2025-09-25 08:00:00

 1238

 32

#机器学习 #人工智能 #聚类 +3
小杰机器学习（nine）——支持向量机

停车坐爱枫林晚，霜叶红于二月花。

jie*
2025-09-25 16:13:53

 1605

 34

#机器学习 #支持向量机 #人工智能 +4
【机器学习与实战】分类与聚类算法：SVM支持向量机

【机器学习与实战】分类与聚类算法：SVM支持向量机

 AI小云
2025-09-26 09:15:00

 807

 24

#机器学习 #人工智能 #分类 +2
【机器学习与实战】分类与聚类算法：集成学习

【机器学习与实战】分类与聚类算法：集成学习

 AI小云
2025-10-01 09:45:00

 667

 14

#机器学习 #算法 #分类 +3
机器学习中的聚类理论与K-means算法详解

本文系统阐述了聚类分析的理论框架与算法体系，重点剖析了K-means算法的原理、实现及优化策略。文章首先介绍了聚类的基本概念、应用场景和评估指标；其次对各类聚类算法进行比较分析；然后详细解析K-means算法的核心思想、数学原理及优缺点；并提供了Python实现示例及优化技巧。文章还探讨了2025年K-means算法的最新研究进展，包括改进算法、理论创新和电商应用案例。最后指出当前面临的挑战（如初

 枫爱秋
2025-10-01 10:00:00

 1852

 23

#机器学习 #支持向量机 #人工智能 +3
机器学习——聚类kmeans算法详解

摘要本文介绍了聚类算法的基本原理和实现方法，重点讲解了KMeans算法的实现流程。主要内容包括：1) 聚类算法分类，包括KMeans、层次聚类、DBSCAN和谱聚类等方法；2) KMeans算法的详细步骤，包括初始质心选择、距离计算、质心更新等过程；3) 聚类效果评价指标，如SSE误差平方和、SC系数、CH系数等；4) 肘部法确定最佳聚类数的方法；5) 客户数据分析案例，展示了从数据预处理到聚类

 m0_74069207
2025-10-01 14:36:59

 1031

 31

#机器学习 #算法 #聚类
【车联网】一种融合边缘计算与生物启发式灰狼优化算法的车联网混合聚类路由协议附Matlab代码

车联网（Internet of Vehicles, IoV）是一个快速兴起的技术范式，其核心特征包括动态网络拓扑、特定车辆移动模式、节点密度与速度的动态波动。为这类网络设计高效的路由算法仍是一项关键挑战。在车载自组织网络（VANETs）中，路侧单元（RSU）是部署在道路沿线及交叉路口的边缘计算设备，为路由提供支持。生物启发式优化算法具有极强的适应性、参数并发性高的特点，非常适合应用于该领域。车辆聚

 荔枝科研工作室
2025-11-07 22:12:27

 651

 7

#算法 #边缘计算 #聚类
+混合高斯模型聚类 #机器学习+#人工智能+#特征提取+#特征融合+#特征降维+#聚类+#分类器+#无监督学习

+混合高斯模型聚类#机器学习+#人工智能+#特征提取+#特征融合+#特征降维+#聚类+#分类器+#无监督学习[火]代码描述：1、导入数据；2、利用混合高斯模型对数据进行聚类。

2501_90884015
2026-03-16 09:45:00

 460

 10

#机器学习 #人工智能 #聚类
【Java核心技术解析从Lambda表达式到Stream流的函数式编程实战】

Java 8引入的函数式编程特性彻底改变了Java开发者的编程范式。Lambda表达式和Stream API的结合，使得Java能够以更简洁、更富有表现力的方式处理数据集合和并发编程。这种转变不仅减少了样板代码的数量，还提高了代码的可读性和可维护性。函数式编程核心在于将行为参数化，将函数作为方法参数传递，使得开发者能够编写更加灵活和模块化的代码。Java函数式编程仍在不断演进，后续版本中引入了更多

 不爱运动的小五
2025-10-06 04:04:57

 282

 5

#聚类
机器学习基础入门（第四篇）：无监督学习与聚类方法

在前几篇文章中，我们学习了机器学习的基础知识、分类体系以及监督学习的原理与经典算法。监督学习在实际中非常常见，但它有一个关键前提：需要大量带标签的数据。然而在现实中，标注往往昂贵甚至不可行：电商平台积累了大量用户行为数据，却没有人逐一标注“用户群体”；医学影像数据庞大，但人工标注需要专家参与，耗费极高；工业传感器产生连续监测数据，但只有少量“故障”样本。在这些场景中，无监督学习（Unsupervi

禁默
2025-10-07 14:04:28

 1970

 96

#机器学习 #学习 #聚类
机器学习高级-Chapter 05-K均值聚类

初学小小白，个人笔记使用，仅供参考

 XZSSWJS
2025-10-10 18:44:27

 775

 25

#机器学习 #均值算法 #聚类
ScalEdge：可扩展边缘计算框架

本文提出一种面向物联网智能系统的可扩展边缘计算框架ScalEdge，通过递归聚类和两阶段卸载算法优化能耗与延迟。该框架在物联网层采用节能聚类技术减少卸载请求，在边缘-云协同架构下动态调度任务，有效缓解服务器拥塞，提升系统可扩展性，同时降低能量消耗并延长设备寿命。

alice7model
2025-10-10 12:21:21

 682

 10

#边缘计算 #物联网 #聚类
【WSN】基于机器学习聚类头选择的水下无线传感器网络（UWSNs）路由优化：能耗与可靠性提升附Matlab代码

一、UWSNs 的环境挑战与现有路由协议痛点水下无线传感器网络（Underwater Wireless Sensor Networks, UWSNs）作为海洋环境监测、水下资源勘探、军事侦察的核心技术载体，需在高动态、强干扰、能量受限的极端环境中实现稳定数据传输。然而，其独特的水下信道特性与硬件约束，使传统路由协议面临严峻挑战。

Matlab科研辅导帮
2025-10-26 17:59:03

 831

 16

#机器学习 #聚类 #网络
【车联网】一种融合边缘计算与生物启发式灰狼优化算法的车联网混合聚类路由协议附Matlab代码

车联网（Internet of Vehicles, IoV）是一个快速兴起的技术范式，其核心特征包括动态网络拓扑、特定车辆移动模式、节点密度与速度的动态波动。为这类网络设计高效的路由算法仍是一项关键挑战。在车载自组织网络（VANETs）中，路侧单元（RSU）是部署在道路沿线及交叉路口的边缘计算设备，为路由提供支持。生物启发式优化算法具有极强的适应性、参数并发性高的特点，非常适合应用于该领域。车辆聚

 Matlab科研工作室
2025-11-07 22:12:29

 1062

 17

#算法 #边缘计算 #聚类
三菱FX1N与台达MS300变频器通讯那些事儿

三菱FX1N与3台台达MS300变频器通讯程序可直接拿来实用了，三菱FX PLC与台达变频器modbus RTU通讯采用器件：三菱FX1N 24MT PLC，1个FX1N 485BD板，3个台达MS300系列变频器。也可以是FX2N，FX2N 485BD功能：进行频率设定，频率读取，正反转启停。触摸屏采用MCGS说明：出售PLC通讯程序和触摸屏程序，带注释。只是程序，非硬件设备。

QQ:487739278
2026-01-06 11:30:00

 451

 3

#聚类
机器学习 - BIRCH 聚类

BIRCH是一种高效的层次聚类算法，适用于大规模数据集。它通过聚类特征(CF)和子聚类特征(SCF)数据结构构建树形聚类结构，包含初始化、聚类和优化三个步骤。Python中可使用scikit-learn的Birch类实现，具有可扩展性强、内存效率高等优点，但对参数敏感且处理非球形聚类能力有限。该算法默认使用欧氏距离，在聚类速度和内存使用方面表现优异，但应用场景受限于其假设条件。

小鸡吃米
2026-01-07 07:59:54

 1203

 14

#机器学习 #聚类 #支持向量机
多视图聚类避坑指南：从Deep Multiview Clustering看对比学习中的三个常见误区

本文深入探讨了多视图聚类技术中的常见误区，特别是Deep Multiview Clustering在对比学习中的三大技术陷阱。从预训练阶段的特征质量到对比损失中的坍塌陷阱，再到视图互补性挖掘，提供了实用的解决方案和优化策略，帮助开发者在实际应用中避免常见错误，提升聚类效果。

weixin_30836759
2026-03-25 00:40:49

 448

 8

#聚类
单细胞分析进阶指南 | 从标准化到聚类的关键步骤解析

本文详细解析单细胞分析从标准化到聚类的关键步骤，包括消除技术噪音的标准化方法、高变基因筛选的特征选择、PCA与UMAP降维技术，以及Leiden聚类算法的应用。通过实战代码示例和参数调优技巧，帮助研究者掌握单细胞数据分析的核心流程，提升细胞亚群发现的准确性和效率。

weixin_30642561
2026-03-26 03:18:07

 489

 12

#聚类
手把手教你用PyTorch复现DEC算法：从自编码器到聚类结果可视化

本文详细介绍了如何使用PyTorch实现深度嵌入式聚类（DEC）算法，从自编码器构建到聚类结果可视化。DEC结合了深度神经网络的特征提取能力和传统聚类算法的优势，适用于无监督学习场景。通过代码示例和实战技巧，帮助开发者掌握DEC的核心原理、预训练方法、聚类层设计以及结果评估，提升在图像和文本数据上的聚类性能。

weixin_30300225
2026-03-26 04:09:04

 323

 6

#聚类 #深度学习
无监督学习必看：如何用sklearn快速评估你的聚类结果？

本文详细介绍了使用sklearn评估聚类结果的五种核心方法，包括轮廓系数、Calinski-Harabasz分数等，帮助读者在无监督学习中精准衡量聚类效果。通过实际代码示例和高级技巧，指导如何避免常见陷阱并组合使用评估指标，提升聚类分析的可靠性和效率。

weixin_30689307
2026-03-27 03:27:35

 414

 5

#聚类 #sklearn
KMeans实战避坑：当质心初始化‘踩雷’异常点时，你的聚类结果会怎样？

本文深入探讨KMeans算法在数据存在异常点时可能遇到的质心初始化陷阱，并提供多种实用解决方案，包括KMeans++初始化、密度感知初始化和动态异常点处理等。通过代码示例和实战建议，帮助数据分析师有效提升聚类结果的稳定性和准确性，特别适用于异常检测场景下的数据分群任务。

weixin_30872157
2026-03-28 03:44:08

 490

 7

#聚类 #数据分析
从自编码器到深度聚类：DEC算法中的KL散度与软分配到底在做什么？

本文深入解析深度嵌入式聚类(DEC)算法的核心机制，揭示自编码器与KL散度如何协同工作实现精准数据分组。DEC通过自编码器学习特征表示，利用KL散度优化软分配，显著提升聚类效果，特别适用于复杂无标签数据场景。

weixin_30642561
2026-03-29 04:19:09

 498

 8

#聚类 #深度学习
Python实战：用sklearn计算轮廓系数评估你的聚类效果（附完整代码）

本文详细介绍了如何使用Python的sklearn库计算轮廓系数（Silhouette coefficient）来评估聚类效果。通过实战代码演示，从数据预处理、聚类算法选择到结果分析，帮助读者量化评估客户分群、新闻分类等任务的聚类质量，并提供了寻找最佳K值的进阶技巧。

weixin_30300225
2026-03-29 04:49:21

 520

 11

#聚类 #sklearn
R语言ComplexHeatmap实战：当样品重复性差时，如何用`column_split`强行按组聚类出漂亮热图

本文详细介绍了在R语言中使用ComplexHeatmap包解决样品重复性差时的热图分组聚类技巧。通过`column_split`参数，即使样本组内变异较大，也能强制按预设分组展示热图，适用于转录组、临床研究等场景。文章提供了从数据预处理到高级可视化的完整代码示例，帮助研究者创建符合发表要求的专业热图。

weixin_30836759
2026-03-31 03:38:41

 490

 9

#聚类
别再硬猜K值了！用Python的sklearn手肘图+轮廓系数，5分钟搞定K-Means客户分群

本文介绍如何利用Python的sklearn库，通过手肘图和轮廓系数快速确定K-Means算法中的最佳K值，实现高效的客户分群。文章详细解析了手肘图的绘制与解读、轮廓系数的计算与应用，并提供了完整的实战流程和高级技巧，帮助数据分析师避免常见误区，提升聚类效果。

weixin_30562507
2026-04-24 02:45:33

 210

 7

#机器学习 #聚类
手把手教你用Pandas+Sklearn搞定电商广告数据清洗与聚类分析（附完整代码与避坑点）

本文详细介绍了如何使用Pandas和Sklearn进行电商广告数据清洗与聚类分析，涵盖数据准备、预处理、KMeans聚类及商业应用。通过完整代码示例和避坑指南，帮助数据分析师从混乱数据中提取有价值的商业洞察，优化广告投放策略。

weixin_30256901
2026-05-02 07:03:42

 412

 4

#数据分析 #聚类 #python
别再只调sklearn的KMeans了！深入原理用NumPy复现，解决实际聚类中的3个坑

本文深入解析K-means聚类算法的核心原理，并通过NumPy从零实现，解决实际工程中的三大陷阱：K值选择、特征尺度差异和评估指标。文章不仅提供优化代码示例，还分享实战经验，帮助开发者避免常见误区，提升聚类效果。

weixin_30615767
2026-05-08 05:55:09

 402

 4

#聚类 #机器学习
单细胞数据分析新思路：像看地图一样理解细胞命运，PAGA图抽象实战详解

本文详细解析了PAGA（Partition-based Graph Abstraction）在单细胞数据分析中的应用，通过将复杂的细胞群体转化为拓扑地图，帮助研究者直观理解细胞间的发育关系和异质性结构。文章涵盖了PAGA的核心思想、与传统方法的对比、多分辨率探索策略以及整合RNA velocity的技术细节，并提供了实战案例和常见问题排查方法。

weixin_30861797
2026-05-14 05:41:34

 672

 7

#聚类