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

C# | DBSCAN聚类算法实现 —— 对直角坐标系中临近点的点进行聚类聚类算法是一种通过对数据对象进行分组，使得同一组内的对象彼此相似，而不同组之间的对象差异较大的算法。聚类算法的目标是发现数据中的内在结构，并根据对象之间的相似性进行分类。DBSCAN算法是一种基于密度的聚类算法，其核心思想是将高密度区域划分为簇，并将低密度区域视为噪声。DBSCAN算法不需要预先指定聚类数量，能够自动发现不同形状和大小的簇，并且对数据分布的要求较低。

阅读 1.7k

1赞

【详解算法流程+程序】DBSCAN基于密度的聚类算法+源码-用K-means和DBSCAN算法对银行数据进行聚类并完成用户画像数据分析课设资料包【详解算法流程+程序源码】DBSCAN聚类算法详解+用K-means和DBSCAN算法对银行数据进行聚类并完成用户画像+数据分析课设源码包-本资源包含本文聚类算法代码实现的源码，此外，还有数据分析综合课程设计，包含：SIR过程模拟与节点排序、用k-means和DBSCAN算法对银行数据进行聚类并完成用户画像、决策树与随机森林、基于奇异值分解的评分预测算法实现

阅读 3.6w

92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 3.5k

34赞

【鲁棒优化】基于联合聚类和定价的鲁棒功率控制方法（Matlab代码实现）文献来源：智能和绿色城市对车载网络的频谱效率（SE）和能源效率（EE）提出了严格的要求。对于当前的车载自组织网络（VANET），车辆的移动性导致快速的拓扑结构变化和高度的信道不确定性。然而，独立研究了用于建立稳定簇的聚类方案和对抗信道波动的鲁棒功率控制（RPC）。本文提出了联合聚类和RPC方案来优化所涉及的VANET的SE和EE。通过相同的固定长度时隙，形成集群头（CH）的同步干扰约束，并为RPC提供条件。由于信道的随机波动，所有通道的同步干扰约束都表述为概率约束。

阅读 822

13赞

机器不学习我学习

【聚类】K-Means聚类（优缺点、手肘法、轮廓系数法、检测异常点、图像压缩，含代码实战） K-Means聚类（优缺点、手肘法、轮廓系数法、检测异常点、图像压缩，含代码实战）

阅读 1.1w

34赞

第十一章《搞懂算法:聚类是怎么回事》笔记《从零开始：机器学习的数学原理和算法实践》搞懂算法:聚类是怎么回事

阅读 547

0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 795

7赞

【机器学习基础】层次聚类-BIRCH聚类 BIRCH算法的优势包括对大型数据集的高效处理能力、低内存消耗以及对噪声数据和离群点的鲁棒性。通过灵活地调整参数，可以控制聚类的紧密度和数量，在处理大规模数据时表现出色。

阅读 2.6k

47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

Rita的程序bug

空间转录组学ST|预处理&可视化&降维&聚类 RunPCA跑主成分分析，这里使用的是经过SCTransform转换后的数据（assay = "SCT"），并且不输出详细的处理信息（verbose = FALSE）；然后在PCA降维后的数据空间中寻找每个细胞的邻近细胞。这里使用PCA的前30个主成分（dims = 1:30）

阅读 1.3k

22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

【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

2025.03.21【基因分析】| SCENIC：基因网络聚类与可视化工具详解在生物信息学领域，单细胞RNA-seq技术已经成为研究细胞异质性和复杂生物学过程的强大工具。SCENIC（Single-Cell ENrichment of Inferred Cellular states）正是在这样的背景下应运而生，它专门设计用于识别和分析与特定基因集或调控网络相关的细胞状态。通过结合基因表达数据和已知的基因调控网络，SCENIC能够推断出细胞的调控状态，这对于理解复杂的生物学过程和疾病机制至关重要。

阅读 1.5k

20赞

day17 python训练营三大聚类和聚类评估系数无需预先指定簇的数量：与 K-Means 不同，DBSCAN 不需要用户预先指定簇的数量，算法会根据数据的密度自动确定簇的数量。- 原理：从每个数据点作为一个单独的簇开始，然后逐步合并最相似的簇，直到所有的数据点都在一个簇中，或者达到某个停止条件。- 原理：从所有数据点在一个簇开始，然后逐步将簇分裂成更小的簇，直到每个数据点都在一个单独的簇中，或者达到某个停止条件。4. 形成簇：从每个核心点开始，将其密度可达的点（即在其 eps 邻域内的点，以及这些点的密度可达点）合并成一个簇。

阅读 894

10赞

牛老师讲GIS

leaflet和mapboxGL中网格聚类的实现在`leaflet`和`mapboxGL`中如何实现网格聚类

阅读 838

1赞

基于主成分分析的聚类结果可视化方法——R语言实现首先，我们使用PCA算法将高维数据降维到低维空间，然后使用聚类算法对降维后的数据进行聚类。在这个例子中，我们将使用"ggplot2"包来进行数据可视化，"factoextra"包来实施PCA和聚类算法，以及"cluster"包来获取聚类分析的结果。这个方法不仅可以帮助我们更好地理解数据，还可以发现数据中隐藏的模式和结构，为后续的数据分析和决策提供有力支持。现在，我们已经得到了带有聚类结果的数据集，接下来，我们可以使用ggplot2包进行可视化。接下来，我们使用聚类算法对降维后的数据进行聚类。

阅读 563

1赞

走进聚类的世界：用日常例子解释复杂的算法概念通过树状图（Dendrogram）自底向上或自顶向下合并/分割数据，形成层次结构。：聚合式层次聚类（Agglomerative）、分裂式层次聚类（Divisive）。：基于数据点的“密度”（周围邻居数量）进行聚类，能识别任意形状的簇和非噪声点。：直接将数据集分成若干组（簇），每组内部尽可能相似，组间尽可能不同。：将数据空间划分为网格单元，基于单元密度合并相邻单元形成簇。：假设数据由某种概率模型生成，通过拟合模型参数实现聚类。：高斯混合模型（GMM）、隐马尔可夫模型（HMM）。

阅读 847

21赞

嵇李美Rosalie

探索航海大数据：利用改进的Hausdorff距离的Matlab DBSCAN船只航迹聚类探索航海大数据：利用改进的Hausdorff距离的Matlab DBSCAN船只航迹聚类【下载地址】Matlab基于改进的Harsdorf距离的DBSCAN船舶航迹聚类 Matlab基于改进的Harsdorf距离的DBSCAN船舶航迹聚类本项目复现了论文《基于轨迹聚类的船舶异常行为识别研究》的相关内容，实现了航迹数据的...

阅读 704

12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

【机器学习】25. 聚类-DBSCAN(density base) 聚类-DBSCAN(density base)

阅读 1.3k

24赞

作者推荐

slandarer: 近期略忙，偶尔更新[头秃]

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

bing_feilong: 算法/CV/Python/c++

关注

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

qwer1234_567: 门头沟学院在读软工学生

关注