相關(guān)文章

• 

  K-means聚類算法及Python代碼實(shí)現(xiàn)

  K-means聚類算法（事先數(shù)據(jù)并沒有類別之分！所有的數(shù)據(jù)都是一樣的） 1、概述 K-means算法是集簡(jiǎn)單和經(jīng)典于一身的 基于距離的聚類算法 采用距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對(duì)象的距離越近，其相似度就越大。 該算法認(rèn)為類簇是由距離靠近的對(duì)象組成的，因此把得到

  2023年04月24日

  瀏覽(24)
• 

  【目標(biāo)檢測(cè)】Anchor-based模型：基于K-means算法獲取自制數(shù)據(jù)集的Anchor(yolo源碼)

  在Anchor-based目標(biāo)檢測(cè)模型中，根據(jù)數(shù)據(jù)集選擇合適的Anchor有利于加快模型的收斂速度以及減少模型的邊框預(yù)測(cè)誤差。本篇文章首先介紹 Anchor 在目標(biāo)檢測(cè)模型中的作用；然后介紹 K-means 聚類算法；最后介紹 yolo源碼 中 自制數(shù)據(jù)集的Anchor的獲取 方法。 ??在 Anchor-based 目標(biāo)檢測(cè)

  2024年01月16日

  瀏覽(16)
• 

  k-means聚類算法 心得分享（含python實(shí)現(xiàn)代碼）

  目錄 1.K-means聚類算法 1.1 引言： 1.2 K-Means 算法的基本思想 1.3 K-Means 算法的優(yōu)缺點(diǎn)： 1.4 K-Means 算法的應(yīng)用： 2.K-means聚類算法的實(shí)現(xiàn)具體步驟 2.1初始化聚類中心 2.2計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到聚類中心的距離 2.3確定每個(gè)數(shù)據(jù)點(diǎn)所屬聚類簇 2.4更新聚類中心 2.5循環(huán)執(zhí)行步驟2-4，直到達(dá)到最

  2024年02月02日

  瀏覽(25)
• 

  K-Means算法實(shí)現(xiàn)鳶尾花數(shù)據(jù)集聚類

  張勇，男，西安工程大學(xué)電子信息學(xué)院，2022級(jí)研究生 研究方向：智能信息處理與信息系統(tǒng)研究 電子郵件：17605542959@163.com 陳夢(mèng)丹，女，西安工程大學(xué)電子信息學(xué)院，2022級(jí)碩士研究生，張宏偉人工智能課題組 研究方向：機(jī)器視覺與人工智能 電子郵件：1169738496@qq.com K-Means聚類

  2024年02月07日

  瀏覽(16)
• 

  K-Means聚類算法及其python實(shí)現(xiàn)（已附上代碼至本博客）

  覺得有用的,一腚要先點(diǎn)贊后收藏!!!氣死人了,40多個(gè)收藏0點(diǎn)贊!! 對(duì)于 n代表了x有n維，x上標(biāo)j表示第j維的特征，下標(biāo)i表示該向量是第i個(gè)樣本 簇中心坐標(biāo)為：（當(dāng)然，這也是重新計(jì)算簇中心坐標(biāo)的方法?。。?向量 u i = ( u i ( 1 ) , u i ( 2 ) , ? ? ? , u i ( j ) , ? ? ? , u i ( n )

  2024年02月08日

  瀏覽(24)
• 

  python 實(shí)現(xiàn)k-means聚類算法 銀行客戶分組畫像實(shí)戰(zhàn)（超詳細(xì)，附源碼）

  想要數(shù)據(jù)集請(qǐng)點(diǎn)贊關(guān)注收藏后評(píng)論區(qū)留言留下QQ郵箱 k-means具體是什么這里就不再贅述，詳情可以參見我這篇博客 k-means 問題描述：銀行對(duì)客戶信息進(jìn)行采集，獲得了200位客戶的數(shù)據(jù)，客戶特征包括以下四個(gè)1：社保號(hào)碼 2：姓名? 3：年齡 4：存款數(shù)量 使用k-means算法對(duì)客戶進(jìn)行

  2024年02月11日

  瀏覽(129)
• 

  數(shù)據(jù)可視化 - Streamlit實(shí)現(xiàn)頁面組件交互與展示（以K-Means為例）

  本人數(shù)據(jù)分析小白，最近接觸到了Streamlit這個(gè)組件，發(fā)現(xiàn)真的很好用！尤其是它提供的交互功能，可以讓很多數(shù)據(jù)分析的結(jié)果清晰直觀地展現(xiàn)在頁面上，比起手動(dòng)修改參數(shù)，一遍一遍rerun，真的舒服了不少~~因此這篇文章將以K-Means模型為例，采用iris數(shù)據(jù)集，介紹如何使用str

  2024年02月02日

  瀏覽(22)
• 

  基于Python的時(shí)間序列異常值檢測(cè)

  ? 今天我們介紹一下使用python做時(shí)間序列數(shù)據(jù)分析和預(yù)測(cè)中異常值檢測(cè)的方法，常用的異常值檢測(cè)方法有以下幾種： 3sigma: 基于正太分布，當(dāng)數(shù)據(jù)值超過±3個(gè)標(biāo)準(zhǔn)差(3sigma)時(shí)為異常值。 z-score : z標(biāo)準(zhǔn)分?jǐn)?shù)，它測(cè)量數(shù)據(jù)值到平均值的距離,當(dāng)數(shù)據(jù)與平均值相差2個(gè)標(biāo)準(zhǔn)差時(shí)z-score為

  2023年04月24日

  瀏覽(23)
• 

  （python實(shí)現(xiàn)）一篇文章教會(huì)你k-means聚類算法（包括最優(yōu)聚類數(shù)目k的確定）

  Kmeans算法中，K值所決定的是在該聚類算法中，所要分配聚類的簇的多少。Kmeans算法對(duì)初始值是?較敏感的，對(duì)于同樣的k值，選取的點(diǎn)不同，會(huì)影響算法的聚類效果和迭代的次數(shù)。本文通過計(jì)算原始數(shù)據(jù)中的：手肘法、輪廓系數(shù)、CH值和DB值，四種指標(biāo)來衡量K-means的最佳聚類數(shù)

  2024年02月05日

  瀏覽(40)
• 

  MATLAB實(shí)現(xiàn)k-means算法（k-均值）對(duì)無標(biāo)簽數(shù)據(jù)進(jìn)行聚類，并通過肘部法則確定聚類類別

  應(yīng)一個(gè)小伙伴的要求介紹了一下K均值聚類算法。本人也不是很專業(yè)，這是之前自學(xué)的，如果有錯(cuò)，大家可以提出來，共同進(jìn)步嘛。 ??聚類屬于非監(jiān)督學(xué)習(xí)，K均值聚類是最基礎(chǔ)常用的聚類算法。它的基本思想是，通過迭代尋找K個(gè)簇（Cluster）的一種劃分方案，使得聚類結(jié)果

  2023年04月26日

  瀏覽(27)