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

【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

程序世界航海

使用ITK对灰度图像进行聚类像素现在我们可以开始对图像进行聚类。在ITK中，有多种不同的聚类算法可供选择。例如，我们可以使用KMeans聚类算法。在下面的代码中，我们将创建一个KMeans聚类器，并将其设置为3类。它可以识别出一张图像中的不同区域，并根据相似性将像素点分组。在本文中，我们将使用ITK库来实现对灰度图像中的聚类像素的操作。以上就是使用ITK库对灰度图像进行聚类像素的完整代码。我们可以通过调整聚类参数和算法来实现不同的效果。接着，我们需要加载灰度图像并将其转换为ITK格式。接下来，我们可以使用定义的聚类器对图像进行聚类操作。

阅读 141

1赞

数据挖掘顶会ICDM 2024论文分享┆MetaSTC：一种基于聚类和元学习的时空预测框架本推文详细介绍了一篇实验室的最新论文，论文提出了一种基于元学习的交通流量预测框架MetaSTC来精确预测大规模路网流量。

阅读 3.2k

23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 5.8k

51赞

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 9.2k

45赞

美味不是堡

【机器学习笔记】无监督学习聚类 K-means 前面讲到的回归就是一种典型的监督学习算法，需要我们标注数据集和期望结果集。但是日常生活中往往没有准确的期望值给我们，比如说我如何在上万文章中分类？同一文章所属的类别可否不同？这些问题使用回归就无法很好的给出解释并预测新结果，这时候就需引入无监督学习，即🧐而就是典型的一个无监督学习算法，通俗点来讲就是将数据集分成一类一类，怎么分？分成几类就是我们下面要讨论的问题如下图例子

阅读 171

0赞

聚类后的分析：推断簇的类型特征Cluster 0Cluster 1Cluster 2性别几乎全为男性多为男性几乎全为女性年龄40–55岁55–65岁55–70岁最大心率160–180（较高）100–140（较低）140–170（中等）ST斜率大多为下降（2）多为水平（1）1和2均有@浙大疏锦行。

阅读 1.2k

36赞

啥都鼓捣的小yao

课程10. 聚类问题尽管存在这种复杂性，“DBSCAN”仍然是一种非常有用的聚类算法，它使我们能够识别具有复杂规律性的聚类。我们可以基于我们能够形成的启发式方法，结合我们对主题领域的了解或问题的特征，以及通过尝试多个选项并确定哪种聚类能够最小化每个对象到其聚类中心的距离之和，来选择最适合我们任务的选项。我们将会了解这些方法。我们可以使用不同的聚类中心初始近似值多次运行该算法，然后选择每个对象到其聚类质心的距离总和最小的解。个聚类划分，合并其中最近的一个（或者，相反，将其中一个聚类拆分成两个不同的聚类），从而将样本划分为。

阅读 998

14赞

聚类算法：K-Means 聚类 K-Means 聚类是一种广泛使用的无监督学习算法，旨在将数据集分成 K 个簇，使得同一簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。它简单、高效，特别适合大规模数据集。下面将详细讨论 K-Means 的原理、实施步骤、优缺点、以及应用实例。

阅读 3.3k

26赞

深入理解K-Means聚类算法及其颜色聚类应用 K-Means算法是一种广泛使用的聚类分析方法，它的基本思想是将n个数据点划分为k个簇，使得每个数据点属于离它最近的簇中心所代表的簇，并以此方式最小化簇内距离的总和。算法目标是找到一个划分，使得评价指标（通常为簇内误差平方和）达到最小。假设我们有一个RGB格式的图像，我们需要对这个图像进行颜色聚类，以实现图像分割。在开始之前，我们需要做以下准备工作：首先，将RGB图像转换到HSV颜色空间。其次，初始化K-Means算法，选择合适数量的聚类中心。然后，进行迭代聚类，直到达到收敛条件。

阅读 796

7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 7.0k

103赞

分类、聚类、关联规则、序列挖掘全解析：四大核心任务工程化落地数据挖掘四大核心任务——分类、聚类、关联规则、序列挖掘，在真实项目中具有极高频的工程应用价值。不同于通用算法介绍，本篇从工程任务视角出发，系统拆解这四类任务的算法结构、输入要求、特征处理路径、工程部署结构与常见应用场景，并提供完整可运行的代码方案与模块封装方式。以分类模型在用户转化预测、聚类用于客户分群、关联规则用于商品搭售、序列挖掘用于行为模式预测为实例，讲解从数据结构到算法落地的完整路径，助力构建高效可控的数据挖掘系统能力。

阅读 978

41赞

乱次序_Chaos

【无监督学习】DBSCAN 聚类步骤及matlab实现本文详细介绍了DBSCAN的原理，以及matlab实现步骤！！！

阅读 1.4k

39赞

使用高斯混合模型（GMM）进行猫狗音频聚类（Kaggle Audio Cats and Dogs）数据集包括164个标注为猫的.wav文件，总共1323秒和113个标注为狗叫声的.wav文件，总共598秒，要求判别每个音频是狗叫还是猫叫

阅读 1.2k

25赞

昇思25天学习打卡营第17天 | K近邻算法实现红酒聚类 K近邻算法（KNN）的基本思想是从训练集中寻找和输入样本最相似的k个样本，如果这k个样本中的大多数属于某一个类别，则输入的样本也属于这个类别。此时有一个未标记的数据样本，我们的任务是预测出这个数据样本所属的类别。knn的原理是，计算待标记样本和数据集中每个样本的距离，取距离最近的k个样本。待标记的样本所属类别就由这k个距离最近的样本投票产生。K-近邻 (K-Nearest Neighbor) 算法,也叫 K 最近邻算法，1968年由 Cover 和 Hart 提出，是机器学习算法中比较成熟的算法之一。

阅读 416

2赞

【读点论文】Deep Clustering for Unsupervised Learning of Visual Features聚类生成伪标签，伪标签指导网络学习更具判别力特征，左脚踩右脚本文提出了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、按簇大小加权损失函数。实验表明，DeepCluster在ImageNet和YFCC100M等大规模数据集上训练时，显著超越了现

阅读 767

15赞

Day_17 无监督算法中的聚类 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%测试集。print(f"k={k}，惯性：{kmeans.inertia_:.2f}，轮廓系数：{silhouette:.3f}，CH指数：{ch:.3f}，DB指数：{dh:.3f}")# 返回值：kmeans_labels是一维数组，存储每个样本的簇索引（如[0, 1, 0, 2, ...]）。

阅读 972

11赞

异常检测与聚类异常检测与聚类

阅读 1.4k

24赞

酷酷的小刘

粒子群算法应用——聚类优化聚类是一种无监督学习方法，通过相似性度量将数据点划分为多个簇，使得同一簇内的数据点彼此相似而不同簇的数据点不相似。它依赖于多种算法（如K-means、DBSCAN等）和相似性度量（如欧氏距离、余弦相似度等）来实现，广泛应用于市场细分、图像分割、文档聚类等领域，为发现数据中的隐藏模式、异常值和群体结构提供有价值的洞察。下面是iris数据集的种类：图1 iris数据集分类。

阅读 749

27赞

小白学视觉

医图论文 Arxiv‘25 | 融合上下文聚类与视觉状态空间模型的医学图像分割医学图像分割需要聚合全局和局部特征表示，这对当前方法在处理长距离和短距离特征交互方面提出了挑战。最近，视觉Mamba（ViM）模型通过在线性复杂度下擅长长距离特征迭代，成为解决模型复杂性的有前景的解决方案。然而，现有的ViM方法忽视了保留短距离局部依赖的重要性，直接展平空间标记，并且受限于固定的扫描模式，限制了动态空间上下文信息的捕捉。

阅读 127

0赞

作者推荐

Daisy_JuJuJu: 一个努力发paper的左家陇职业技术学院的在读GISer博士生！！！

关注

slandarer: 近期略忙，偶尔更新[头秃]

关注

bing_feilong: 算法/CV/Python/c++

关注

qwer1234_567: 门头沟学院在读软工学生

关注

BB_CC_DD: 每日三省：今天微笑了吗？今天学习了吗？今天博文更新了吗？

关注