- 博客(1)
- 资源 (3)
- 收藏
- 关注
原创 机器学习中的 K-均值聚类算法及其优缺点
3. 结果不一定准确:K-均值聚类可能会将一些非常相似的数据点归为不同的簇中,或将非常不相似的数据点归为同一簇中,导致聚类结果不准确。4. 需要人为确定簇的数量:K-均值聚类需要人为指定簇的数量,但在实际应用中通常不知道应该将数据分成多少个簇。2. 对于每个数据点,计算它与每个簇中心的距离,并将数据点分配到距离最近的簇中心所在的簇中。1. 高度依赖初始点:K-均值聚类对初始点非常敏感,不同的初始点可能导致不同的结果。3. 适用于大数据集:K-均值算法适用于大数据集,可以进行大规模的数据聚类。
2023-05-17 18:53:43 4596
windows下 protobuf 编译脚本,同时出debug和release
压缩包内含有protobuf
脚本内采用的相关资源版本:可根据情况自己修改
protobuf : 3.21.9,
vs : vs2017 ,
cmake: 3.25
采用MD模式
2023-05-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人