注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. python计算机视觉.pdf

  2. 高清完整版，极力推荐。 第1 章　基本的图像操作和处理 .....................................................................................................1 1.1　PIL：Python 图像处理类库.................................................................................................

  3. 所属分类：Python

    • 发布日期：2017-09-22
    • 文件大小：30408704
    • 提供者：donggua209

  1. k-means算法源码加数据集.zip

  2. k-means算法数据集，有1000个二维的数据集，采用python代码编写，用最底层代码编写实现k-means聚类，文中分为四个聚类中心点，有助初学者理解，编写调试

  3. 所属分类：其它

    • 发布日期：2020-06-14
    • 文件大小：20480
    • 提供者：ChengXuxiao

  1. Python机器学习之K-Means聚类实现详解

  2. 本文为大家分享了Python机器学习之K-Means聚类的实现代码，供大家参考，具体内容如下 1.K-Means聚类原理 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：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。各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 算法大致流程为：（1）随机选取k个点作为种子点(这k个点不一定属于数据集

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：76800
    • 提供者：weixin_38743506

  1. Python从零实现 K-mean 和K-中心点聚类算法的样本数据

  2. Python从零实现 K-mean 和K-中心点聚类算法的样本数据

  3. 所属分类：机器学习

    • 发布日期：2020-12-26
    • 文件大小：4096
    • 提供者：rizero

  1. python基于K-means聚类算法的图像分割

  2. 1 K-means算法 实际上，无论是从算法思想，还是具体实现上，K-means算法是一种很简单的算法。它属于无监督分类，通过按照一定的方式度量样本之间的相似度，通过迭代更新聚类中心，当聚类中心不再移动或移动差值小于阈值时，则就样本分为不同的类别。 1.1 算法思路 随机选取聚类中心 根据当前聚类中心，利用选定的度量方式，分类所有样本点 计算当前每一类的样本点的均值，作为下一次迭代的聚类中心 计算下一次迭代的聚类中心与当前聚类中心的差距 如4中的差距小于给定迭代阈值时，迭代

  3. 所属分类：其它

    • 发布日期：2021-01-02
    • 文件大小：209920
    • 提供者：weixin_38689551

  1. Python实现的KMeans聚类算法实例分析

  2. 本文实例讲述了Python实现的KMeans聚类算法。分享给大家供大家参考，具体如下： 菜鸟一枚，编程初学者，最近想使用Python3实现几个简单的机器学习分析方法，记录一下自己的学习过程。 关于KMeans算法本身就不做介绍了，下面记录一下自己遇到的问题。 一 、关于初始聚类中心的选取 初始聚类中心的选择一般有： （1）随机选取 （2）随机选取样本中一个点作为中心点，在通过这个点选取距离其较大的点作为第二个中心点，以此类推。 （3）使用层次聚类等算法更新出初始聚类中心 我一开始是使用numpy

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：216064
    • 提供者：weixin_38738830

  1. python实现kMeans算法

  2. 聚类是一种无监督的学习，将相似的对象放到同一簇中，有点像是全自动分类，簇内的对象越相似，簇间的对象差别越大，则聚类效果越好。 1、k均值聚类算法 k均值聚类将数据分为k个簇，每个簇通过其质心，即簇中所有点的中心来描述。首先随机确定k个初始点作为质心，然后将数据集分配到距离最近的簇中。然后将每个簇的质心更新为所有数据集的平均值。然后再进行第二次划分数据集，直到聚类结果不再变化为止。 伪代码为 随机创建k个簇质心 当任意一个点的簇分配发生改变时：     对数据集中的每个数据点：      

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：53248
    • 提供者：weixin_38677806

  1. 基于Python——Kmeans聚类算法的实现

  2. 1、概述 本篇博文为数据挖掘算法系列的第一篇。现在对于Kmeans算法进行简单的介绍，Kmeans算法是属于无监督的学习的算法，并且是最基本、最简单的一种基于距离的聚类算法。 下面简单说一下Kmeans算法的步骤： 选随机选取K的簇中心（注意这个K是自己选择的） 计算每个数据点离这K个簇中心的距离，然后将这个点划分到距离最小的簇中 重新计算簇中心，即将每个簇的所有数据点相加求均值，将这个均值作为对应簇的新簇中心。 重复2、3步，直到满足了你设置的停止算法迭代的条件 注意：停止算法迭代的条件一般有

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：145408
    • 提供者：weixin_38543950

  1. python 代码实现k-means聚类分析的思路(不使用现成聚类库)

  2. 一、实验目标 　　　　1、使用 K-means 模型进行聚类，尝试使用不同的类别个数 K，并分析聚类结果。 ​　　　　2、按照 8:2 的比例随机将数据划分为训练集和测试集，至少尝试 3 个不同的 K 值，并画出不同 K 下 的聚类结果，及不同模型在训练集和测试集上的损失。对结果进行讨论，发现能解释数据的最好的 K 值。二、算法原理 　　　　首先确定k，随机选择k个初始点之后所有点根据距离质点的距离进行聚类分析，离某一个质点a相较于其他质点最近的点分配到a的类中，根据每一类mean值更新迭代聚类

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：63488
    • 提供者：weixin_38526823