《Python星球日记》 第47天：聚类与KMeans

最新推荐文章于 2025-05-08 19:22:58 发布
最新推荐文章于 2025-05-08 19:22:58 发布
阅读量296 收藏 3
点赞数 3
分类专栏： Python星球日记 文章标签： Python 机器学习 聚类 KMeans 无监督学习 数据挖掘 客户分群
© Code_流苏（CSDN） | 未经允许禁止转载 | 禁止商用及未授权修改 | 私自转载商用将通过法律维护权益
本文链接：https://blog.csdn.net/qq_51646682/article/details/147766807
版权

名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》
创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）
专栏：《Python星球日记》，限时特价订阅中ing

目录


👋 专栏介绍： Python星球日记专栏介绍（持续更新ing）
✅ 上一篇： 《Python星球日记》 第46天：决策树与随机森林

了解本专栏 订阅专栏 解锁全文 超级会员免费看
《Python星球日记》 第48天：模型评估与选择
Code_流苏：在代码中寻诗意
05-07 427
《Python星球日记》 第48天：模型评估与选择
《Python星球日记》专栏介绍（持续更新...）
Code_流苏：在代码中寻诗意
04-03 1209
Python星球日记专栏介绍（持续更新ing），本专栏文章或达近百篇，后续会持续更新...
【机器学习基础】数学推导+纯Python实现机器学习算法23：kmeans聚类
fengdu78的博客
06-30 753
Python机器学习算法实现Author：louwillMachine Learning Lab 聚类分析（Cluster Analysis）是一类经典的无监督学习算法。在给定样...
LeetCode高频题互联网大厂笔试题：手撕k-means聚类算法：python代码实现
weixin_46838716的博客
08-08 1560
1）k-means算法思想简单，思路明了，写代码也好搞，python代码比java代码简单 2）其复杂度为o（TNk） 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。......
机器学习：Python实现聚类算法(一)之K-Means
AI333888的博客
08-29 923
K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。
无监督学习Python入门：聚类技术scikitlearn。
AI天才研究院
08-26 136
作者：禅与计算机程序设计艺术 1.简介 无监督学习（Unsupervised Learning）是指机器学习中，由训练数据自动提取隐藏结构并进行分析而产生模型的类型。应用场景包括图像分割、文本分类、推荐系统等。本文将带领大家快速上手scikit-learn中的聚类算法模块。 Scikit-
k-means聚类算法从入门到精通
小白学视觉
07-04 5804
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达k-means算法是非监督聚类最常用的一种方法，因其算法简单和很好的适用于大样本数据，广泛应用于不同领域，本文详细总结了k-means聚类算法原理 。目录1. k-means聚类算法原理2. k-means聚类算法步骤3. k-means++聚类优化算法4. 小批量处理的k-means聚类算法5. k值...
图像压缩python_使用KMeans算法将图像压缩6倍！
weixin_36040444的博客
01-08 354
作者：张江 |来源：ATYUN在本文中，我们将讨论K-Means算法，它是一种基于聚类的无监督机器学习算法。此外，我们还将讨论如何使用K-Means来压缩图像。在深入研究K-Means算法的细节之前，让我们先了解一下无监督的机器学习是什么，以及它的实际应用是什么。与有标记数据的监督机器学习不同，，无监督机器学习处理未标记数据的问题。如果你熟悉经典的有监督机器学习，你可能会问，如何从未标...
Python实现10种聚类算法
m0_58477260的博客
11-04 3923
聚类分析，即聚类，是一项无监督的机器学习任务。它包括自动发现数据中的自然分组。与监督学习（类似预测建模）不同，聚类算法只解释输入数据，并在特征空间中找到自然组或群集。聚类技术适用于没有要预测的类，而是将实例划分为自然组的情况。—源自：《数据挖掘页：实用机器学习工具和技术》2016年。群集通常是特征空间中的密度区域，其中来自域的示例（观测或数据行）比其他群集更接近群集。群集可以具有作为样本或点特征空间的中心(质心)，并且可以具有边界或范围。
机器学习与深度学习
m0_73776435的博客
05-08 620
随着网络的加深，卷积核能够自动学习到更高层次的语义特征，如物体的形状、部分等。然而，传统的 RNN 存在梯度消失和梯度爆炸的问题，长短期记忆网络（LSTM）和门控循环单元（GRU）是对 RNN 的改进，它们通过引入门控机制来控制信息的流动，能够更好地处理长序列数据，记住更长时间范围内的信息，在语音识别、时间序列预测等任务中有着广泛的应用。例如，在房价预测问题中，我们有房子的面积、位置、户型等特征数据，以及对应的实际售价（标签），模型学得这些特征与售价之间的关系后，就可以对新的房子进行价格预测。
【漫话机器学习系列】240.真正类率（True Positive Rate，TPR）
IT古董
05-05 793
在机器学习与深度学习模型评估中，"真正类率"（True Positive Rate，简称TPR）是一个非常重要的指标。TPR反映了分类器对正样本识别能力的强弱，也常常被称为召回率（Recall）或灵敏度（Sensitivity）。
通过混合机器学习和 TOPSIS 实现智能手机身份验证的稳健行为生物识别框架
技术超强的网络安全平台
05-08 549
随着日常工作、个人生活和金融操作对智能手机的依赖性不断增强，对弹性安全身份验证系统的需求也日益增长。尽管 PIN 码、密码和静态生物识别等传统身份验证方法仍可为系统提供一定的安全级别，但事实证明，它们容易受到多种威胁，包括敏感数据泄露、网络钓鱼、盗窃和暴力攻击 [1面部识别和指纹识别等其他静态生物识别方法虽然增强并提高了系统的安全性，但事实证明，它们容易受到静态数据限制、环境条件和基于欺骗的攻击 [2为了解决上述缺点并提高可用性和安全性，应采用动态有前景的解决方案 [3。
机器学习 数据集
最新发布
2401_87862479的博客
05-08 1096
Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善，容易上手，丰富的API接口函数scikit-learn中文社区数据量小，数据在sklearn库的本地，只要安装了sklearn，不用上网就可以获取数据量大，数据只能通过网络获取。
机器学习_线性回归
qq_38175040的博客
05-03 328
线性回归的通俗解释：在一个平面（空间）存在诸多散列分布的点，求解一个通用表达式画出一条连续的线（平面）穿过这些点，并尽可能使得这些点在线（平面）的上下均匀分布。
机器学习常用评价指标
hello！
05-03 1128
其中 (A_c) 是真实类别 (c) 的像素集合，(B_c) 是预测类别 (c) 的像素集合。• 缺点：对类别不平衡敏感（例如背景像素占主导时，高PA可能掩盖前景类别的性能差）。衡量模型预测为正的样本中实际为正的比例，按类别计算后取宏平均（各类别权重相同）。• 三者均基于类别宏平均，但侧重点不同（精确率、召回率、调和平均），无重复。• 如果模型训练需梯度下降（如神经网络），或需理论分析（如分解偏差-方差）。• 缺点：若某类别在图像中不存在（并集为0），需特殊处理（代码中设为0）。
生成对抗网络（GAN, Generative Adversarial Network）​
weixin_71288092的博客
05-03 1203
从Deepfake到AI艺术创作，GAN正在重塑内容生成的边界。尽管存在训练挑战，但其潜力在医疗、娱乐、工业等领域的应用前景广阔。
R 语言机器学习：为遥感数据处理开启新视角
2403_89974123的博客
05-08 435
在当今科技快速发展的时代，遥感技术为生态学研究提供了海量的数据资源，而机器学习算法则成为挖掘这些数据潜在价值的有力工具。R 语言凭借其强大的数据处理、分析和可视化能力，在遥感数据的机器学习分析中占据重要地位。通过 R 语言进行机器学习遥感数据处理与模型空间预测，能够深入探索生态现象背后的规律，为生态保护、资源管理等提供科学依据。R 语言与遥感数据处理基础是开展后续研究的基石。了解遥感数据在生态学的应用及常见算法，有助于明确研究方向和选择合适的技术手段。
LUFFY：结合强化学习RL和SFT各自训练优势，让模型边学边练，从而平衡Zero-RL训练中的模仿和探索！！
王哥儿聊AI的博客
05-03 844
最近在大型推理模型（LRMs）方面的进展表明，通过简单的基于规则的奖励进行强化学习（RL），可以涌现出复杂的行为，例如多步推理和自我反思。然而，现有的零强化学习（zero-RL）方法本质上是“在策略”的，仅限于学习模型自身的输出，无法获得超出其初始能力的推理能力。
机器学习之嵌入(Embeddings)：从理论到实践
青蛙博客
05-07 312
本文深入探讨了机器学习中嵌入(Embeddings)的概念和应用。通过具体的实例和可视化展示，我们将了解嵌入如何将高维数据转换为低维表示，以及这种转换在推荐系统、自然语言处理等领域的实际应用。文章包含交互式练习，帮助读者更好地理解嵌入的工作原理
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Code_流苏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值