登录社区云，与社区用户共同成长
邀请您加入社区
💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。
K-means是一种基于距离的划分聚类方法，通过迭代将数据划分为K个簇。核心思想是使簇内样本的平方误差最小化。算法流程包括初始化聚类中心、分配样本到最近中心、重新计算中心位置，直到收敛。
摘要：本文介绍了模拟退火算法在模糊C-均值聚类(FCM)问题中的应用。模拟退火是一种基于热力学退火过程的智能优化算法，能够有效避免传统FCM算法对初始值敏感的缺点。文章首先概述了智能优化算法和模拟退火原理，然后详细描述了聚类问题和FCM算法特点。针对400个二维数据点的4类聚类问题，提供了完整的Python实现代码，包括数据生成、目标函数计算、遗传算法交叉变异等关键步骤，展示了如何结合智能算法提高
摘要目标：由于病因和病理生理学的异质性，以及由此导致的脑电图(EEG)高度可变性，意识障碍(DOCs)患者的预后评估仍然具有挑战性。在这里，本研究利用易于表征的EEG模式构建了一个潜在映射，将新的EEG数据定位在一个连续谱上。本研究通过以心脏骤停后预后作为首个应用案例，评估该映射作为一种通用工具从长程EEG中提取具有预后价值信息的能力。方法：在健康-疾病连续体中可分类的EEG(包括清醒[W]、睡眠
YOLOv3是一种高效的单阶段目标检测算法，通过单次前向传播即可预测目标位置和类别。其核心框架采用Darknet-53主干网络，结合特征金字塔结构输出13×13、26×26、52×52三种尺度的检测结果，分别对应大、中、小目标的检测。每个网格预测3个边界框，使用预定义的锚框和偏移量计算实现高效定位。网络通过255个通道输出（85×3），包含80个类别概率、4个坐标偏移和1个置信度。
本文介绍了聚类算法的基础概念及其应用，重点解析K-means算法的实现流程和评估方法。主要内容包括：1）聚类定义与核心目标，强调相似度计算对结果的影响；2）K-means算法的API使用和迭代优化过程；3）三种评估方法（SSE、轮廓系数、CH指数）的原理与应用场景；4）客户价值分析实战案例，展示从数据预处理到结果可视化的完整流程；5）常见误区提示，如相似度衡量选择、K-means的局限性等。文章最
本文介绍了聚类算法的基本概念和实现方法，重点讲解了K-Means聚类算法及其评估指标。聚类算法属于无监督学习，通过样本相似性进行分类，常见方法包括K-means、层次聚类等。K-Means算法通过迭代优化质心位置实现聚类，适用于数据探索初期。文章详细演示了使用sklearn实现K-Means的完整流程，并介绍了三种评估指标：SSE（误差平方和）结合肘部法确定最佳K值；轮廓系数法（SC）衡量内聚度和
K-means 聚类算法以其简单、高效的特点，在数据分析领域有着重要的地位。通过本文的学习，我们了解了 K-means 的基本原理、优势与局限性，并结合啤酒数据进行了实战演练，同时也深入解析了 sklearn 中 KMeans 的 API。合理选择 K 值，可以结合多种评估指标进行综合判断。对数据进行预处理，如标准化或归一化，消除量纲对距离计算的影响。
本文设计并实现了一个基于 MATLAB 的图像分割图形用户界面系统，集成了三种常用的聚类算法：模糊C均值聚类（FCM）、K-Means 聚类以及改进的二分K-Means 聚类。系统通过 GUI 形式提供用户交互支持，允许用户加载任意图像，指定聚类数，快速对图像进行分割，并可视化分割结果与运行性能（包括耗时与迭代次数）。FCM 算法通过软聚类方法有效处理图像中的模糊边界，K-Means 提供了高效的
摘要：本文提出一种非参数最大平滑似然（npMSL）算法用于RNA-seq数据的基因共表达聚类分析。该算法突破了传统参数模型对分布形式的限制，通过核密度估计和EM类算法实现无需预设分布类型的聚类。模拟实验表明，在正确设定簇数时，npMSL的灵敏度优于泊松模型和变换方法（但低于组合方法），特异性表现中等。当簇数设定错误时仍保持相对稳定的性能。在真实前列腺癌数据集中的应用显示，该方法能识别具有生物学意义
k-medoids聚类算法、DBSCAN聚类算法、OPTICS聚类算法
与Single-Linkage算法相似，Complete-Linkage的迭代思想是一样的，不同的是合并类时，Single-Linkage是用两个类中距离最小的两个点作为类之间的距离，而Complete-Linkage恰恰相反，用距离最远的两个数据点之间的距离作为两个类之间的距离。每次聚类后，每个样本得到一个轮廓系数，当SC=1时，说明这个点与周围簇距离较远，结果非常好，当SC=0时，说明这个点可
从本文你将学到，DBSCAN算法，包括DBSCAN算法原理，DBSCAN算法基本步骤，DBSCAN算法调优，DBSCAN算法优缺点
K-means是一种常用的无监督学习算法，用于将数据集中的对象划分为k个不同的组或簇。该算法的目标是最小化每个数据点与所属簇的质心之间的平方欧氏距离之和。
在肘部法则中，我们关注的是随着簇数增加，Inertia（簇内平方和）的变化情况。通常情况下，Inertia值越低表示数据点更接近其簇中心，但并非绝对。在肘部法则中，我们寻找的是Inertia急剧下降并趋于平缓的点，这个点可能是最佳的聚类数量。因此，对于肘部法则，我们要找到Inertia值下降幅度显著变小，即形成一个“肘部”样的点，这时候增加簇数不再显著地降低Inertia。
