登录社区云，与社区用户共同成长
邀请您加入社区
本实验基于学生考勤数据，使用K-Means聚类算法实现自动分群。通过AIStudio平台零代码完成数据加载、聚类建模和结果入库，将学生划分为三类群体：自律模范型（C1）、轻微波动型（C2）和纪律高危型（C3）。借助助睿BI平台进行可视化分析，制作6组散点图展示考勤指标关系，并通过仪表盘集中呈现。最后将聚类结果回写到考勤表，新增cluster和attendance_group字段，形成完整的数据闭环
选择后会自动加载表信息，我们主要是分析各类异常考勤占比的特征，所以只需保留 student_id 、class_id、late_count、early_leave_count、leave_count、uniform_violate_count，其他字段跳过（skip）；在该模块页面中，主要包括三个模块，分别是菜单栏，控件列表以及画布（用于工作流构建）。可以看到存在性别“未知”数据，需要将“未知”数
标签扩展增强了数据资产价值：将分析得到的“考勤群体标签”回写到原始数据表，极大地丰富了学生主题表的信息维度。业务理解是模型价值的起点：K-Means聚类输出的数字本身没有意义，通过助睿BI进行可视化探索，将业务经验与数据分布相结合，才能让模型结果产生管理价值，定义出“模范型”、“高危型”等有行动指导意义的标签。最后，使用“更新”组件，配置更新条件为两张表的student_id匹配，将转换后的gro
本文介绍了数据挖掘中的聚类方法，包括层次聚类、K-Means算法、高斯混合聚类和DBSCAN算法。层次聚类通过树状图展示聚类过程；K-Means通过肘部法则选择最佳K值；高斯混合模型基于概率分布进行软聚类；DBSCAN则基于密度识别任意形状的簇。每种方法都配有Python实现代码和可视化示例，帮助理解不同聚类技术的原理和应用场景。文章还提供了轮廓系数等评估指标的计算方法，为实际应用提供参考依据。
本次实验依托Uniplore助睿零代码大数据平台，完整复刻了数据预处理—AI聚类建模—可视化分析—业务画像解读—标签迭代更新的工业级数据挖掘全流程。区别于传统人工统计的主观化、低效化弊端，借助K-Means聚类算法实现了学生考勤行为的客观、智能分群，依托标准化的考勤特征数据，保障了聚类结果的稳定性、准确性和可解释性。通过BI可视化拆解，成功将抽象的算法聚类结果转化为贴合校园管理场景的三类学生画像，
通过本次实验，我完整掌握了以下技能：在助睿AI Studio中零代码完成K-Means聚类建模，包括数据加载、参数配置、结果保存。使用助睿BI进行多维度散点图分析，通过颜色映射和交互探索，为聚类结果赋予实际业务含义。利用数据集成平台（ETL）的字段选择、值映射、更新等组件，将机器学习结果回写至原始业务表，形成闭环的数据加工流程。
本实验依托已有的学生考勤主题标签数据表，运用 K-Means 聚类算法，选取迟到、早退、请假、校服违规等考勤相关指标开展学生考勤行为分群研究。实验借助 AI Studio 平台以零代码拖拽方式完成数据导入、K-Means 模型训练、聚类结果入库等建模流程，将学生划分为三类聚类群体；再通过助睿 BI 平台搭建多维度可视化分析图表与综合仪表盘，解读各类聚类簇的行为特征，明确区分出自律模范型、轻微波动型
Embedding（嵌入）技术是现代自然语言处理和人工智能领域的核心技术之一，它将离散的符号数据转换为连续的向量表示，使得机器能够理解和处理语义信息。本文深入探讨 Embedding 模型的技术原理与实战应用，涵盖从基础理论到高级应用的完整知识体系。文章首先介绍 Embedding 的数学基础与主流模型架构，包括 Word2Vec、GloVe、BERT 和 Sentence-Transformer
当 AI 真的能像一个药剂师前辈那样，在我们设计路线时就及时提醒：“嘿，这个中间体可是个‘定时炸弹’，试试旁边那条更绿的路吧”——这究竟是解放了创造力，还是让化学家变成了只点击“绿色路线”的“操作员”？这或许是 SynCraft 带给我们的，最值得深思的“路标”。更精彩的是，SynCraft 的搜索结果中还自动列出了多条已发表的、避开了 Compound 16 的更安全的替代合成路线。最关键的是，
【摘要】本文介绍了一个基于K-Means聚类算法的校园考勤数据分析项目。通过助睿数智平台实现零代码操作，对学生的迟到、早退、请假和校服违规等行为数据进行聚类分析，最终划分出三类典型群体：自律模范型（C1，蓝色）各项指标表现优异；轻微波动型（C2，青色）偶有轻微违规；纪律高危型（C3，黄色）存在多维度高频违纪行为。项目完整实现了从数据预处理、建模分析到可视化呈现的全流程，并将聚类结果回写入数据库，为
其二，分析手段固化，传统聚类算法（如K-means、层次聚类）在高维空间中的欧氏距离失效（维度灾难），且对初始种子点极度敏感，导致分层结果的可复现性差；在实证中，我们通过对比该点邻域内的随机扰动点（微扰分析），发现扰动后的目标函数值均显著上升，从而反证了当前解在局部与全局意义上的Pareto有效性。PGSA特有的基于形态素浓度的轮盘赌选择机制，在理论上具有更强的全局搜索能力，特别是在处理本研究中非
聚类是一种无监督学习方法，它在没有类别标签的情况下，根据样本之间的相似性自动发现数据内部结构。常见聚类方法包括 K-Means、层次聚类、DBSCAN 和高斯混合聚类等。高斯混合模型（Gaussian Mixture Model, GMM）是一种基于概率模型的聚类方法。它认为总体数据不是由单一分布产生的，而是由多个高斯分布按一定权重混合生成。每个高斯分布可以看作一个潜在簇。与 K-Means 不同
k均值聚类模型多元线性回归模型随机森林模型在数据分析项目中，选择合适的模型是至关重要的。本项目中，我们采用了三种不同的模型来分析蓝莓的生长条件和产量，以确保从不同角度全面理解数据。一、K均值聚类模型K均值聚类模型是一种无监督学习方法，用于根据数据的相似性将样本分成不同的组。在这个项目中，我们使用K均值聚类模型来识别具有相似特征的蓝莓品种。通过聚类分析，我们将蓝莓分为4个类别，每个类别代表了不同的生
我发现AI写的比我好多了......我将化身审稿人本篇文章主要内容是由hermes接入DeepSeek-V4-flash生成的。我负责给定知识框架、知识点。优化内容、排版。部分示例图片用豆包生成。
聚类是一种无监督学习算法，用于发现数据中的自然分组——把相似的数据点归为一组，不同组之间的差异尽可能大。与监督学习的核心区别：聚类没有“正确答案”，模型自己发现数据中的结构。核心思想：从每个点自成一类开始，不断合并最近的两类，形成一棵“树”。输出形式：树状图（Dendrogram）│ ├─────┐┌─┼─┐│D│E│└─┴─┘优点：不需要预先指定K，可以从树状图“切”出想要的K。缺点：计算慢，不
想象一下，你有一大堆五颜六色的球，红的、蓝的、绿的……它们都混在一起。现在，你要做的就是根据颜色把这些球分成不同的组，红色的放一堆，蓝色的放一堆，绿色的放一堆。在机器学习中，聚类算法干的就是类似的事儿，只不过它处理的是数据，而不是球。聚类算法是一种无监督学习算法，它不需要我们提前告诉它数据应该分成几类，或者每一类是什么样的。把相似的数据点自动分到同一组，让同一组（簇cluster）内的数据尽可能相
在人工智能和机器学习领域，线性代数是不可或缺的数学基础之一。它为处理和理解高维数据提供了强大的工具，是许多核心算法和模型的基石。从简单的线性回归到复杂的深度学习模型，线性代数的应用贯穿始终。本文将深入探讨线性代数在人工智能中的重要性，介绍其核心概念及其在实际应用中的具体体现，帮助您更好地理解和掌握这一关键领域的知识。贝叶斯定理是条件概率的一个重要推论，它描述了在已知事件 B 发生的条件下，事件 A
金融市场的复杂性和不确定性使得金融风险评估成为金融机构和投资者至关重要的工作。本文章的目的在于深入研究如何利用AI人工智能和聚类技术提高金融风险评估的准确性和效率。范围涵盖了常见的金融风险类型，如信用风险、市场风险和操作风险等，以及多种聚类算法在这些风险评估中的应用。本文首先介绍核心概念，包括AI人工智能和聚类的原理和联系；接着讲解核心算法原理和具体操作步骤，使用Python代码进行详细阐述；通过
在大数据与人工智能蓬勃发展的时代，时序数据广泛存在于工业生产、金融交易、医疗健康等众多领域。如何从海量且复杂的时序数据中精准实现聚类分析与状态识别，成为挖掘数据价值、推动行业发展的关键。此前我们探索过多种模型，如今 DTW-Kmeans-Transformer-BiLSTM 组合模型的出现，凭借其强大的协同效应，为时序数据分析带来了全新的解决方案。一、核心组件原理剖析1.1 DTW（动态时间规整）
无监督学习（无需标签）：将数据集划分为 KK 个互斥子集（簇），使：最小化簇内样本到质心（Centroid）的平方距离和数据集预设簇数 KK最大迭代次数或收敛阈值 ϵKK 个簇质心集合。
数据处理是将原始数据转化为有价值信息的过程，涉及数据收集、清洗、集成、转换、存储、分析和应用等流程。其核心目标是提升数据质量，包括处理缺失值、异常值和格式标准化，并通过转换和集成形成统一视图。数据分析阶段应用统计和机器学习方法挖掘模式，最终通过可视化和应用实现价值。数据处理面临大数据实时处理、隐私保护等挑战，未来趋势包括自动化工具和流式计算。整个过程需遵循准确性、一致性和可追溯原则，确保数据可靠可
第14周项目目标：本项目旨在开发一款基于人工智能的文档审阅工具，解决当前在文档审阅过程中人工检查效率低、遗漏错误和格式不规范等问题。
本文提出了一种新的单细胞RNA测序（scRNA-seq）聚类方法——单细胞多融合图神经网络（scMFGNN），以解决现有方法在处理scRNA-seq数据时的两个主要局限：一是未能充分考虑节点属性与拓扑信息在可靠性上的差异，二是缺乏融合多尺度判别信息的能力。scMFGNN通过引入多融合图神经网络（MFGNN）和零膨胀负二项分布（ZINB）模块，动态融合多尺度表示，并自适应地整合节点表示与拓扑结构信息
本文提出了DeepCluster，一种用于无监督视觉特征学习的深度聚类方法。该方法结合卷积神经网络（CNN）和标准聚类算法（如k-means），通过迭代进行特征聚类和网络参数更新，实现端到端的无监督训练。具体步骤包括：首先使用当前网络提取特征，通过k-means生成伪标签，然后利用这些伪标签更新网络参数。为避免平凡解，DeepCluster处理空簇和不平衡簇问题，如重新分配空簇中心、按簇大小加权损
本文通过多个典型案例，系统讲解机器学习中的分类与聚类技术实现，涵盖数据预处理、模型训练、评估优化等关键环节，并附可复现的Python代码。
【机器学习基础】系列博客为参考周志华老师的《机器学习》一书，自己所做的读书笔记。
【机器学习|学习笔记】 k-means 聚类（k-means clustering ，K-Means ）详解，附代码。
在概率建模与机器学习领域，对复杂多变量数据进行准确的分布估计和有效聚类始终是核心任务。双变量高斯分布和高斯混合模型（GMM）作为重要的概率模型，因其灵活性和解释性而被广泛应用。然而，其参数估计和潜在变量推断往往面临计算挑战，尤其是在处理高维数据或存在复杂依赖结构时。
风能作为一种清洁、可再生的能源，在全球能源结构转型中扮演着越来越重要的角色。随着风电场的规模不断扩大，准确的风电功率预测对于电力系统的稳定运行、调度优化和经济效益至关重要。然而，风电功率受气候、地理环境等多种复杂因素影响，具有高度的波动性和不确定性，对短期功率预测提出了严峻挑战。传统的预测方法，如时间序列分析、回归模型等，往往难以捕捉风电数据的复杂非线性特征和潜在的时空依赖关系。近年来，深度学习技
机器学习笔记6：回归与聚类算法部分，学习内容为黑马程序员的b站视频。
本文旨在为游戏开发者和AI研究人员提供一个全面的指南，介绍如何利用聚类算法增强游戏的人工智能系统。我们将重点关注非监督学习中的聚类技术在游戏设计中的应用，包括但不限于NPC行为分类、玩家群体分析和游戏内容动态生成。本文将首先介绍聚类算法的基本概念，然后深入探讨其在游戏设计中的具体应用。我们将通过数学模型、代码实现和实际案例，全面展示聚类算法如何提升游戏体验。最后，我们将讨论未来发展趋势和面临的挑战
HitPaw Watermark Remover 链接：https://pan.quark.cn/s/4598337f6b3e。「微信被删好友检测工具」筷莱坌教狴犴狾夺郝链接：https://pan.quark.cn/s/fe4976448ca1。【资源软件】复制整段内容，打开最新版「夸克APP」即可获取。伏脂撺掇蒌葶苘洞座 /链接：https://pan.quark.cn/s/5180c62aa
平台支持她操作系统通常她Lknzx、Qkndoqs或macOS，MATLAB环境她必需她，用她处理算法她实她她优化。她传统她遗传算法和模拟退火算法相比，PSO具有较高她计算效率和收敛速度，因此在她种优化问题中表她出了较她她她能。该算法通过使用PSO优化SCM聚类中她簇中心，能够有效避免传统SCM方法容易陷入局部最优她困境，提升了聚类效果她稳定她她准确她。在未来她工作中，我们计划继续优化模型她她能，
单细胞测序（scRNA-seq）技术相较于传统的整体RNA测序，能够以更高的分辨率揭示细胞间的差异性，从而揭示生物研究中的异质性。scRNA-seq数据集的分析依赖于细胞亚群的划分。当缺乏合适的参考信息（例如特定标记基因或单细胞参考图谱）时，无监督聚类方法成为主要选择。然而，scRNA-seq数据本身具有稀疏性和高维性的特点，这对传统聚类方法构成了挑战。因此，研究人员提出了多种基于深度学习的方法来
第一步：标准化以下是个人学习理解的K聚类算法，欢迎大家指正错误。另外代码在结尾哦~整个过程和底部代码环环相扣，可以边看代码边看这边的解读。选择的数据一般是数值类的，可以参考代码，我选择了5列，共300行数据（这里我使用numpy模拟的工业数据，大家可以自行模拟一个csv数据）第一步：标准化所谓标准化就是把一些单位不统一的数据归成近似0或1的数据，变成了一个300*5的矩阵，如下（打印代码中的X_s
重庆邮电大学 通信大数据实验最后一个实验课代码
随着风力发电的大规模并网，风能的间歇性和波动性带来的问题凸显，对风电场发电功率进行准确预测，将不确定的风电转变为可调度的友好型电源，是提高风力发电市场竞争力的有效方式［1-2］。面向日前电力平衡的风电场短期功率预测方法主要有基于学习算法的统计方法［3-4］和基于求解大气运动方程的物理方法［5-7］ 两大类。神经网络法、时间序列法、卡尔曼滤波法等统计方法能够自发地适应不同的风电场特征，具有计算速度快
与传统聚类方法（如 K-means）仅针对样本（行）或特征（列）进行独立聚类不同，协同聚类旨在发现。例如，在生物信息学中，协同聚类可用于发现某些基因在特定实验条件下具有相似的表达模式，从而揭示潜在的生物学机制。随着计算能力的提升和深度学习的融合，协同聚类的应用前景将更加广阔。：如用户-物品评分数据，协同聚类可提高模式发现能力。协同聚类是一种强大的数据分析方法，能够同时发现。：算法的效果依赖于适当的
此示例旨在说明k-means将产生不直观的、可能是意外的聚类的情况。在前三幅图中，输入的数据不符合一些隐含的假设，即k均值生成，因此产生了不理想的聚类。Davies-Bouldin 指数 (DBI): 0.6619715465007465。Calinski-Harabasz 指数 (CHI): 561.62775662962。Dunn 指数 (DI): 0.09880739332807607。Ra
为聚类是知识发现中的一个重要内容，聚类是遵循“物以类聚、人以群分”的自然界规律，以现实数据为基础，依据一定的规律和策略，对数据进行聚集并最终形成簇的一种技术，从机器学习的角度来讲，聚类属于机器学习中的无师学习，也称为非监督学习或无监督学习，聚类算法是无师学习种的最重要的一类学习算法。
随着特征维度的增加，数据的稀疏性会急剧上升，导致模型训练变得更加困难。这种现象被称为维度灾难（Curse of Dimensionality）。高维数据不仅增加了计算复杂度，还可能导致过拟合。因此，降维技术成为解决这一问题的重要工具。图1：维度灾难示意图（图片描述：三维空间中展示了低维数据点的分布较为密集，而高维空间中数据点变得稀疏，难以捕捉模式。MNIST 数据集包含 70,000 张 28x2
聚类
——聚类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
EazyDevelop社区
DeepSeek技术社区
全球具身智能开发者社区
脑启社区
