登录社区云，与社区用户共同成长
邀请您加入社区
本研究提出一种结合粒子群优化（PSO）算法与模糊C均值聚类（FCM）的混合模型，用于居民用电行为分析。通过PSO算法优化FCM的初始聚类中心，克服传统FCM对初始值敏感、易陷入局部最优的缺陷。实验以某地区居民智能电表数据为样本，验证了该方法在聚类精度、模式识别稳定性上的显著提升，为电力需求侧管理、负荷预测及个性化服务提供科学依据。
本文详细介绍了从零构建RFM会员价值模型的进阶实战方法。通过动态百分位打分（pd.qcut）实现科学分层，解决了传统等距分箱的分布不均问题；基于R/F/M组合自动识别8类细分人群（如重要价值客户、重要挽留客户等），并为每类人群定制营销策略；最后利用jinja2生成专业HTML分析报告。整个过程涵盖了数据加载、清洗、特征提取、评分建模和可视化决策等核心数据分析流程，是AI工程师处理业务数据的必备基本
在我们写论文时，深度聚类可以作为数据预处理步骤，帮助我们组织和理解数据集。在论文的实验阶段，深度聚类的结果也可以用作定量和定性分析的一部分。例如，通过展示聚类结果的可视化，我们可以直观地展示自己的方法是如何改善了数据的分离度或发现了有意义的群组。对苦论文久已的我们来说，掌握并进一步探索深度聚类方法显得尤为重要。所以这次我又爆肝汇总了，包括最新的研究成果，还贴上了希望能为同学们的论文主题方法、创新研
摘要： 高斯混合模型（GMM）是处理复杂数据分布的聚类利器，相比K-Means，它能通过概率实现软聚类，适应椭圆形或重叠数据。GMM的核心是多个高斯分布的叠加，通过EM算法迭代优化参数。实战中需注意协方差类型选择（如full允许任意方向椭圆）、K值确定（使用AIC/BIC）及数值稳定性（调整reg_covar）。GMM还可用于异常检测，通过概率密度识别离群点。其概率化输出和灵活形状处理能力使其在金
今天我们走完了一段从零到一的完整旅程。我们明白了无监督学习的巨大价值：在没有标签的情况下，文本聚类和主题建模能帮助我们洞察数据的内部结构。我们掌握了文本聚类的“三步走”标准流程：嵌入（Embedding）-> 降维（UMAP）-> 聚类（HDBSCAN）。这套流程强大且通用。我们见识了BERTopic的魔力：它巧妙地将聚类流程与主题表示（c-TF-IDF）结合起来，让我们不仅能看到分组，还能理解每
谱聚类（Spectral Clustering）是一种基于图论的聚类方法，核心思想是将数据点映射到“图的特征空间”，把聚类问题转化为“图的分割问题”（使同一子图内的点相似度高，不同子图间的点相似度低）。聚类是无监督机器学习的核心任务，其目标是将相似的数据点归为一类，不相似的归为不同类。的数据（如环形、螺旋形）聚类效果极差——因为K-Means假设聚类中心是数据的“质心”，而环形数据的质心位于圆环中
【机器学习】采集数据、特征工程、建立模型、应用四个阶段的详解（图文解释 超详细）
©作者｜朝言单位｜阿里云人工智能实验室研究方向｜计算机视觉在行人重识别领域，如何获取海量标注数据，提高实际场景的重识别能力是工业界非常关注的一个问题。通常在学术界上公开数据集如 Maket...
DBSCAN算法基于一组“邻域” (neighborhood) 参数( , inPts)来刻画样本分布的紧密程度。给定数据集 = { 1, 2, … , }， 定义下面几个概念：(1)邻域：对Xj∈D,其邻域包含样本集D中与Xj的距离不大于的样本，即Ne(Xj)={Xj∈D|dist(Xi,Xj)≤}；(2)核心对象（core object）:若Xj的邻域至少包括MinPts个样本，即|Ne(Xj
InfoMap算法详细原文地址了解InfoMap算法之前，需要先了解最小熵原理最小熵原理是一个无监督学习的原理，“熵”就是学习成本，而降低学习成本是我们的不懈追求，所以通过“最小化学习成本”就能够无监督地学习出很多符合我们认知的结果，这就是最小熵原理的基本理念。H(P)=−∑i=1npilog2piH(P) = -\sum_{i=1}^{n}p_ilog_2p_iH(P)=−i=1∑npilo
聚类是一种无监督学习问题。它经常用来在输入数据的特征空间中寻找分组，例如基于顾客行为将消费者分组。聚类算法有很多种，没有哪一种聚类算法适用于所有的问题。不过，有必要去探究多种聚类算法，以及每种算法的不同配置，这样在遇到问题时才能做出合适的选择。在本文中，你将会了解如何选择合适的聚类算法，并且使用python和scikit-learn去实现它们。
【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】图形处理里面有一个聚类算法，叫k-means。基本思想就是默认图像里面有k个区域，每个区域都可以内部聚合、外部松散的组合体，找到了这k个区域，就可以实现图像的分割了。正好，点云算法里面也有类似的一个算法，称之为欧几里得聚类算法，https://pcl.readthedocs.io/projects
论文地址该算法用于检测网络中的社区、桥节点和离群点。它基于结构相似性度量对顶点进行聚类。该算法特点是：速度快，效率高，每个顶点只访问一次。主要贡献是能够识别出桥节点和离群点两种特殊点。前面提到的大多数方法倾向于社区网络，这样每个社区中都有一组密集的边，而社区之间的边很少。基于模块的和归一化切割算法是典型的例子。然而，这些算法并不区分网络中顶点的角色。有些顶点是集群的成员；有些顶点是桥接许多集群但不
mongo的聚合查询实现。同时注意细节：mongo的映射关系，还有文档名必须正确还要注意层级关系！
python的DBSCAN聚类算法，这个算法是以密度为本的，DBSCAN 是一个最常用的聚类分析算法，
一、原理参考博文：DBSCAN聚类算法Python实现_徐奕的专栏-CSDN博客_dbscan pythonhttps://blog.csdn.net/xyisv/article/details/88918448DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样
谱聚类算法是目前最流行的聚类算法之一，其性能及适用场景优于传统的聚类算法如k-均值算法，本文对谱聚类算法进行了详细总结，内容主要参考论文《A Tutorial on Spectral Clustering》，下载链接：https://github.com/zhangleiszu/machineLearning，若对谱聚类算法有不理解的地方，欢迎交流。目录1. 谱聚类模型的优化思想2. 图的表示方法
聚类算法之——二分K-Means算法为克服K-Means算法收敛于局部最小值问题，提出了二分K-Means算法二分K-Means算法首先将所有点作为一个簇，然后将该簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇进行划分取决于对其划分是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复，直到得到用户指定的簇数目为止。步骤将所有点看成一个簇；对每个簇，进行如下操...
K-Means算法及相关案例大家好，我是WK-Means作为机器学习的一个基础代码，显然稍微看过一点机器学习相关的内容的人都会听说过它。今天就来用实际代码讲K-Means算法的思想和原理。这篇文章的顺序是：1、K-Means算法原理 2、设计算法 3、案例1-普通K-Means算法代码实现。1、K-Means算法原理K-Means属于无监督学习算法，即在不知道数据集分类的情况下将相似的对象归到一个
K-means算法实战项目（Python实现）
1、开始选取一点，看邻域范围内是否达到MinPts，达到就加入簇，图示标为红，没达到就判断下一个。2、如果在该点的半径范围内至少存在MinPoint点，那么认为所有这些点都属于同一个聚类。优点是DBSCAN算法不需要事先指定聚类的数量，而是通过样本密度来聚合在一起，对于。（比如自动驾驶场景下的点云，含有车、行人、骑行者等，有些目标在空间上还很靠近）及。MinPts：聚类在一起的点的最小数目，超过这
遥感原理及图像处理–大作业|实践类–附代码！大家好，我是【豆干花生】，这次我带来了遥感图像的相关操作~文章包含代码实现，具体处理图片，敬请期待~文章目录遥感原理及图像处理--大作业|实践类--附代码！一.图像增强题目要求主要思想代码实现处理效果二.图像匹配题目要求主要思想代码实现处理效果三.图像变化检测题目要求主要思想代码实现处理效果四.地物专题信息提取题目要求主要思想代码实现处理效果五.分类分割
聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
利用python进行k聚类，导入表格进行分析
matlab中kmeans使用matlab中kmeans使用英文实在太难看懂了，翻译一下k-means简介后续有空就加上吧matlab使用[IDX, C] = KMEANS(X, K);返回聚类下标IDX，聚类中心坐标C[IDX, C, SUMD] = KMEANS(X, K); 返回聚类内的点到中心的距离之和的K×1 向量 sumD.[IDX, C, SUMD, D] = KMEANS(X, K
最近的组会经常会听到这个名词，所以趁着今天有空，所以准备了解下这个算法。先从百度 百科开始切入：DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意
K-means聚类算法-计算样本的最近邻聚类中心
K-均值聚类 (K-Means Clustering)是一种经典的无监督学习算法，用于将数据集分成K个不同的簇。其核心思想是将数据点根据距离的远近分配到不同的簇中，使得簇内的点尽可能相似，簇间的点尽可能不同。
目录AGNES算法DIANA算法类间距离的不同定义层次聚类算法的优缺点层次聚类方法对给定的数据集进行层次的分解，直到满足某种条件为止。具体又可分为：凝聚的层次聚类AGNES算法和分裂的层次聚类DIANA算法。AGNES算法一种自底向上的策略，首先将每个样本各自分到一个类，之后将相距最近的两类合并成一个新的类，重复此操作直到满足停止条件。需要预先确定下面三个要素：1.距离或相似度公式；2.合并规则：
知识分享之Python——sklearn中K-means聚类算法输出各个簇中包含的样本数据背景日常我们开发时，我们会遇到各种各样的奇奇怪怪的问题(踩坑o(╯□╰)o)，这个常见问题系列就是我日常遇到的一些问题的记录文章系列，这里整理汇总后分享给大家，让其还在深坑中的小伙伴有绳索能爬出来。同时在这里也欢迎大家把自己遇到的问题留言或私信给我，我看看其能否给大家解决。开发环境系统：windo...
使用证据积累进行聚类算法集成
大侠幸会，在下全网同名「算法金」0 基础转 AI 上岸，多个算法赛 Top「日更万日，让更多人享受智能乐趣」在众多数据挖掘技术中，聚类算法（Clustering Algorithms）扮演着至关重要的角色。它帮助我们理解数据的内在结构，特别是在没有明确标签的数据集中，聚类算法可以让我们发现数据的自然分组，从而获得深刻的洞见。
提示：这些是自己整理 可以借鉴 也可能存在错误 欢迎指正XGBoot一、是什么？集成算法思想XGBoost基本思想二、使用步骤算法流程小结一、是什么？xgboot的全称为eXtreme Gradient Boosting集成算法思想引出：在使用决策树时，一颗树的效果不太好，用两棵树呢？同理，在做分类或者回归任务的时候，需要想一想一旦选择用一个分类器可能表达效果并不是很好，那么就要考虑用这样一个集成
k均值算法的优点是简单、易于实现，并且对大规模数据集的处理速度较快，作为一种简单、高效的聚类分析技术，K均值算法在数据分析和机器学习的领域中发挥着重要作用
体素云联通性分割算法VCCS（voxel cloud connectivity segmentation，VCCS）是一种超体素分割算法。💛x、y、z是空间坐标。L、a、b是CIELab空间颜色。💛Dc是CIELab颜色空间中的欧氏距离；Dhik是快速点直方图空间中的距离。λ、μ和ε分别是颜色、空间和法向量的权重。💛FPFH是一种位置不变的特征，它利用点的k个。使用八叉树结构对输入的点云数据
DBSCAN聚类算法，参照周志华《机器学习》做的，这本书真的很好，推荐。具体细节什么就不说了，可以买周志华的书看就好了。python的sklearn带这个算法，这里主要是分享这个算法的matlab代码。这个算法挺传统的，自己写的matlab代码待优化的地方应该也不少，这里能跑通了就放出来了。CSDN总要积分，有时候就不太友好。源代码链接链接：https://pan.baidu.com/s/1XzF
考虑多风场出力相关性的可再生能源场景生成/风电场景生成，并通过聚类算法场景削减成几个场景，每个场景都有确定的出现概率。完美复现《考虑多风电场出力 Copula 相关关系的场景生成方法》Copula 函数(连接函数)描述空间相邻风电场间的相关性，提出一种基于 Copula 函数生成风电场出力场景的方法。该方法对边缘分布没有限制，能捕捉变量之间非线性、非对称性以及尾部相关关系。阐述了多个风电场出力的边
AP简介亲和力传播算法无需指定聚类的结果，使用的是AffinityPropagation，详情请参考：https://www.cnblogs.com/lc1217/p/6908031.html算法优缺点AP算法的优点：不需要制定最终聚类族的个数族中心点是已有的数据点，并不会额外出现新的数据点其结果的平方差误差较小。AP算法的不足：AP算法的时间复杂度较高，一次迭代大概O(N3)调参的结果（阻尼系数
matlab实现Kmeans聚类算法+过程、结果可视化
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
九章云极普惠算力
魔乐社区
