weixin_43227599的博客

k-means聚类算法的python实现和sklearn的聚类器文章目录k-means聚类算法的python实现和sklearn的聚类器1. 标准k-means聚类算法2. sklearn.cluster.KMeans1. 标准k-means聚类算法k-means是一个迭代算法，需要人为指定聚类数量。因为实现简单、对大样本有很好的拓展性被广泛采用。算法初始化阶段首先随机选取不重复的kkk个点作为 初始的聚类中心(称为Centroid)。不断重复执行以下两个步骤：给每个点xix_ixi​分配所属类

图论算法——Dijistra和Floyd算法求最短路径数模图论部分练习时用python实现了一个能调用Dijistra和Floyd算法的最短路径类。可以直接复制使用。# FLoyd 和 Dijkstra算法import numpy as npfrom copy import deepcopyclass allpair_shortestpath: """ Parameters: @__ajmatrix: the adjacent matrix with respect t

matplotlib格式设置plt.rcParams.update({‘savefig.dpi’: 600, # 输出图片质量‘mathtext.fontset’: ‘cm’, # 公式字体‘font.sans-serif’: ‘SimHei’, # 普通文本字体‘axes.unicode_minus’: False, # 坐标轴负号‘figure.constrained_layout.use’: True # 子图间隔})...

python插值方法文章目录python插值方法1. numpy.interp2. scipy.interpolate.interp1d1. numpy.interp函数原型：numpy.interp(x, xp, fp, left=None, right=None, period=None)用法：某一点的插值结果xp = [1, 2, 3]fp = [3, 2, 0]np.interp(2.5, xp, fp)输出：1.0向量化运算np.interp([0, 1, 1.

matplotlib作图模板为了方便数模作对比图、子图展示等功能，封装了一个visualize函数用来直接调用。函数原型如下：visualize(true_val, xylabel=None,counter_parts=None, title=None, subplot=False, ax=None, saveas=None)函数的作用是给定图的axes对象来生成一个图，可以是一个完整单图，也可以是子图。支持只可视化一组数据（true_val），也可以通过counter_parts参数在一个图上