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. k均值聚类python实现

  2. k-means(k均值)算法的python代码实现，可以显示聚类效果与聚类的迭代次数，初学者使用更方便。

  3. 所属分类：机器学习

    • 发布日期：2018-10-18
    • 文件大小：2048
    • 提供者：voidfaceless

  1. k-means图片分割 python

  2. k-means分割图片在python中的实现。K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。

  3. 所属分类：机器学习

    • 发布日期：2019-04-10
    • 文件大小：1024
    • 提供者：phoebe1016

  1. Kmeans.py Kmeans的Python实现

  2. K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

  3. 所属分类：讲义

    • 发布日期：2020-01-07
    • 文件大小：10240
    • 提供者：weixin_44412076

  1. Kmeans.docx K均值聚类算法实验报告

  2. 1.理解掌握K-means聚类算法的基本原理； 2.学会用python实现K-means算法 K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计

  3. 所属分类：讲义

    • 发布日期：2020-01-07
    • 文件大小：878592
    • 提供者：weixin_44412076

  1. Python聚类算法之基本K均值实例详解

  2. 主要介绍了Python聚类算法之基本K均值运算技巧,结合实例形式较为详细的分析了基本K均值的原理与相关实现技巧,具有一定参考借鉴价值,需要的朋友可以参考下

  3. 所属分类：其它

    • 发布日期：2020-09-21
    • 文件大小：62464
    • 提供者：weixin_38629130

  1. Kmeans均值聚类算法原理以及Python如何实现

  2. 个算法中文名为k均值聚类算法，首先我们在二维的特殊条件下讨论其实现的过程，方便大家理解。

  3. 所属分类：其它

    • 发布日期：2020-09-27
    • 文件大小：370688
    • 提供者：weixin_38678172

  1. Kmeans均值聚类算法原理以及Python如何实现

  2. 个算法中文名为k均值聚类算法，首先我们在二维的特殊条件下讨论其实现的过程，方便大家理解。

  3. 所属分类：其它

    • 发布日期：2020-09-27
    • 文件大小：370688
    • 提供者：weixin_38734269

  1. k-means 聚类算法与Python实现代码

  2. k-means 聚类算法思想先随机选择k个聚类中心，把集合里的元素与最近的聚类中心聚为一类，得到一次聚类，再把每一个类的均值作为新的聚类中心重新聚类，迭代n次得到最终结果分步解析 一、初始化聚类中心 首先随机选择集合里的一个元素作为第一个聚类中心放入容器，选择距离第一个聚类中心最远的一个元素作为第二个聚类中心放入容器，第三、四、、、N个同理，为了优化可以选择距离开方做为评判标准 二、迭代聚类 依次把集合里的元素与距离最近的聚类中心分为一类，放到对应该聚类中心的新的容器，一次聚类完成后求出新容

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：41984
    • 提供者：weixin_38674223

  1. 详解K-means算法在Python中的实现

  2. K-means算法简介 K-means是机器学习中一个比较常用的算法，属于无监督学习算法，其常被用于数据的聚类，只需为它指定簇的数量即可自动将数据聚合到多类中，相同簇中的数据相似度较高，不同簇中数据相似度较低。 K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。 核心思想 通过迭代寻

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：156672
    • 提供者：weixin_38751905

  1. python实现聚类算法原理

  2. 本文主要内容： 聚类算法的特点 聚类算法样本间的属性(包括，有序属性、无序属性)度量标准 聚类的常见算法，原型聚类(主要论述K均值聚类)，层次聚类、密度聚类 K均值聚类算法的python实现，以及聚类算法与EM最大算法的关系 参考引用 先上一张gif的k均值聚类算法动态图片，让大家对算法有个感性认识： 其中：N=200代表有200个样本，不同的颜色代表不同的簇(其中 3种颜色为3个簇)，星星代表每个簇的簇心。算法通过25次迭代找到收敛的簇心，以及对应的簇。 每次迭代的过程中

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：940032
    • 提供者：weixin_38506798

  1. python实现k均值算法示例(k均值聚类算法)

  2. 简单实现平面的点K均值分析，使用欧几里得距离，并用pylab展示。 复制代码 代码如下:import pylab as pl #calc Euclid squiredef calc_e_squire(a, b):    return (a[0]- b[0]) ** 2 + (a[1] – b[1]) **2 #init the 20 pointa = [2,4,3,6,7,8,2,3,5,6,12,10,15,16,11,10,19,17,16,13]b = [5,6,1,4,2,4,3,1,7

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：27648
    • 提供者：weixin_38553466

  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. cs4641-python-源码

  2. cs4641-python 该存储库包含针对各种机器学习技术的Python实现，我在乔治亚理工学院CS 4641（机器学习）课程的一部分中从头开始对它们进行了编码。 阅读以下有关每个模型的更多信息： K均值聚类 K均值初始化k个随机聚类中心，并将每个数据点归类为最接近的k个聚类中的任何一个。 在此实现中，我使用成对的欧几里德距离进行聚类，并使用平方误差总和来计算损失。 高斯混合模型 GMM是一种概率模型，它假定可以从有限数量的高斯分布的组合中产生所有数据点。 它是一种软群集算法，可将每个数据点

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：12288
    • 提供者：weixin_42133452

  1. kmeaningful:DSCI 524第16组-用于自动进行k均值聚类工作流的软件包-源码

  2. 有意义的 您是否遇到过其中似乎具有不同模式的数据集？ 您是否曾经尝试将相似的事物组合到一个数据集中，并根据您的发现分配一个新的样本？ 我们创造了kmeaningful的帮助解决此类问题的方法。 kmeaningful是一个Python程序包，它使用k-means算法来查找聚类并为它们分配新的数据点。 它还包含有助于数据预处理，超参数调整和可视化群集的功能。 K有意义的在Python生态系统中的地位 已经存在一些在Python中实现k-means聚类的软件包。 最值得注意的是，有Scikit学

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：310272
    • 提供者：weixin_42136837

  1. Python数据挖掘与机器学习，快速掌握聚类算法和关联分析

  2. 聚类问题主要用于解决没有明确分类映射关系的物品归类问题，即无监督学习。分类算法必须需要训练数据，训练数据包含物品的特征和类别（label,也可以被称作标签），这相当于对这些数据建立了映射规则，这种映射规则可以通过机器学习相应的算法来建立，当需要对新的数据进行分类时，就可以直接调用模型，对数据进行相应的处理来实现分类。那么当没有历史数据的时候要对现存的物品进行归类，就需要使用聚类算法解决。比如，聚类算法可以实现公司客户价值自动划分，网页自动归类等。K-Means算法是一种经典的聚类算法，也称作K均

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：763904
    • 提供者：weixin_38592643

  1. Interactivekmeans：基于交互式HTML画布的k-means实现-源码

  2. 交互式K均值 可视化聚类算法k均值并与之交互。 在尝试一下。 阅读更多关于。 下载并运行 git clone https://github.com/lettier/interactivekmeans.git cd interactivekmeans nohup python -m http.server & > /dev/null & python -mwebbrowser http://localhost:8000 方向 通过单击鼠标放置数据点。 您也可以使用控件中的scatter按钮

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：4194304
    • 提供者：weixin_42162978

  1. pqkmeans：快速且内存高效的群集-源码

  2. PQk均值 | | 同时使用k均值和PQk均值的2D示例 大规模评估 是一个Python库，用于对大型数据进行有效的聚类。 通过首先将输入向量压缩为短乘积量化（PQ）码，PQk-means可以实现快速且高效存储的聚类，即使对于高维向量也是如此。 与k-means相似，PQk-means重复分配和更新步骤，二者均可以在PQ代码域中执行。 为了进行比较，我们提供了用于二进制转换的ITQ编码和用于二进制代码聚类的 。 该库使用C ++编写，用于主要算法以及Python的包装程序。 所有编码/群集

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：468992
    • 提供者：weixin_42135073

  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. ITU-ACM-20-21-Spring-Machine-Learning-源码

  2. ITU-ACM-20-21-Spring机器学习 讲师 穆罕默德·伊耶特·阿特斯（MehmetYiğitAteş） 计算机工程＃2 ITU 先决条件 Python编程语言的基本知识。 微积分和线性代数的基本知识。 目标 使参与者熟悉基本的机器学习主题，例如分类和回归 让与会者熟悉机器学习算法的工作机制和数学 人工神经网络介绍 介绍NumPy计算库的基础 教学大纲 ＃日期 ＃话题 ＃描述 16.03.2021 机器学习导论 机器学习的工作原理，NumPy和梯度下降 23.03.2021 线

  3. 所属分类：其它

    • 发布日期：2021-03-30
    • 文件大小：4194304
    • 提供者：weixin_42131601