- 综合排序
- 最热优先
- 最新优先
- 来自专栏KI的算法杂记
节点聚类分析：DeepWalk + K-means
nx.les_miserables_graph() deep_walk = deep_walk(G, d, r, l, k) model = deep_walk.learning_features() 3.节点聚类分析 得到所有节点的向量表示后，简单利用k-means对所有节点进行聚类： def k_means(self, m, K): """ :param m: deepwalk的训练结果 , with_labels=True, node_size=1000) plt.show() KDD2016 | node2vec：可拓展的网络特征学习中对《悲惨世界》中的人物关系网络做了节点聚类分析 ，共分为六类，结果如下： 采用DeepWalk的效果为（k-means迭代50次）： 迭代100次： 4.完整代码 # -*- coding: utf-8 -*- """ @Time ： 2021
39820编辑于 2022-09-19 - 来自专栏学习成长指南
数学建模--K-Means聚类分析
1.聚类分析步骤 1.1简单介绍 K-Means聚类分析是属于聚类分析的一种，这个数据机器学习的算法； 对数据进行自动分组，使得同一组内的数据样本尽可能相似，不同组之间的数据样本尽可能不同，以此来完成用户细分 K-Means是非监督学习中一种很经典的聚类算法。 K代表类别数量，Means代表每个类别内的均值，所以K-Means算法又称为K-均值算法。 1.3几种距离 要判断两个样本之间的相似性，K-Means算法以样本间的距离作为度量标准。 距离越近，表示两个样本越相似；反之，则越不相似。 这就是K-Means算法又称为K均值算法的原因。 或者我们自己设置这个迭代的次数，达到这个最大迭代次数就停止； 2.归一化处理 我们这个聚类分析是为了解决这个RFM模型的遗留问题，就是这个RFM进行这个划分的时候是使用的这个数据分箱的操作，回顾一下，就是根据这个等级进行划分
1.1K10编辑于 2025-02-24 - 来自专栏PPV课数据科学社区
聚类分析：k-means和层次聚类
尽管我个人非常不喜欢人们被划分圈子，因为这样就有了歧视、偏见、排挤和矛盾，但“物以类聚，人以群分”确实是一种客观的现实——这其中就蕴含着聚类分析的思想。 聚类分析是一种根据样本之间的距离或者说是相似性（亲疏性），把越相似、差异越小的样本聚成一类（簇），最后形成多个簇，使同一个簇内部的样本相似度高，不同簇之间差异性高。 聚类分析算法很多，比较经典的有k-means和层次聚类法。 k-means聚类分析算法 k-means的k就是最终聚集的簇数，这个要你事先自己指定。 k-means的聚类过程演示如下： k-means聚类过程 k-means聚类分析的原理虽然简单，但缺点也比较明显： 首先聚成几类这个k值你要自己定，但在对数据一无所知的情况下你自己也不知道k应该定多少 以下以癌细胞细据为例，演示K-means和层次聚类法的过程。
2.6K81发布于 2018-04-24 - 来自专栏javascript趣味编程
基于tensorflow.js的k-means聚类分析
which KMeans was Trained Predict Performs Predictions on the data Provided as Input 通过typescript编译后的k-means
1.5K30发布于 2020-12-02 - 来自专栏深度学习之tensorflow实战篇
python 聚类分析实战案例:K-means算法(原理源码)
K-means算法： 关于步骤：参考之前的博客 关于代码与数据：暂时整理代码如下：后期会附上github地址，上传原始数据与代码完整版， 各种聚类算法的对比：参考连接 Kmeans算法的缺陷
3.7K50发布于 2018-03-16 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】K-Means 一维数据聚类分析示例
文章目 K-Means 一维数据计算示例 数据样本 及 初始值 K-Means 一维数据 距离计算方式 K-Means 算法 步骤 第一次迭代 : 步骤 ( 1 ) 计算距离 第一次迭代 : 步骤 ( ( 1 ) 计算距离 第三次迭代 : 步骤 ( 2 ) 聚类分组 第三次迭代 : 步骤 ( 3 ) 计算中心值 第四次迭代 : 步骤 ( 1 ) 计算距离 第四次迭代 : 步骤 ( 2 ) 聚类分组 K-Means 选定初始的中心值 : 1 , 20 , 40 ; K-Means 一维数据 距离计算方式 ---- 1 . 曼哈顿距离 : 这里直接使用曼哈顿距离 , 即样本值 , 直接相减得到的值取绝对值 , 就是曼哈顿距离 ; K-Means 算法 步骤 ---- K-Means 算法 步骤 : 给定数据集 X ,
1.1K20编辑于 2023-03-27 - 来自专栏深度学习之tensorflow实战篇
python 聚类分析实战案例:K-means算法(原理源码)
K-means算法： ? 关于步骤：参考之前的博客 关于代码与数据：暂时整理代码如下：后期会附上github地址，上传原始数据与代码完整版， ?
1.6K20发布于 2019-02-14 - 来自专栏深度学习与python
算法研习：K-means聚类和分层聚类分析
无监督学习是机器学习的另一大分支，与监督学习不同，无监督学习的数据集中没有数据标签，因此无法像监督学习的分类和回归问题那样学习对应标签的数据特征，无监督学习只能通过算法分析数据间的相似性来对数据进行聚类分析 ，今天我们就来看一下两大聚类算法：K-means聚类和分层聚类。 K-means聚类 K-means算法的核心是在我们的数据集中找到能最小化数据间距离的中心点，该中心点称为“质心”。质心的数量也就是我们设定的想要输出类的数量。
2.3K51发布于 2019-07-15 - 来自专栏机器学习AI算法工程
【Python】爬虫+ K-means 聚类分析电影海报主色
作者：Amy 译者：Fibears 原文链接：http://blog.nycdatascience.com/students-work/using-python-and-k-means-to-f
1.4K50发布于 2018-03-13 - 来自专栏全栈程序员必看
spss k-means聚类分析_K均值聚类及其应用
SPSS聚类分析：K均值聚类分析 一、概念：（分析-分类-K均值聚类） 1、此过程使用可以处理大量个案的算法，根据选定的特征尝试对相对均一的个案组进行标识。 三、迭代（分析-分类-K均值聚类-迭代） 注意：只有在您从“K均值聚类分析”对话框中选择了迭代和分类方法的情况下，这些选项才可用。◎最大迭代次数。限制K均值算法中的迭代次数。
1.2K70编辑于 2022-11-02 - 来自专栏CDA数据分析师
【Python】爬虫+ K-means 聚类分析电影海报主色调
每部电影都有自己的海报，即便是在如今这互联网时代，电影海报仍是一个强大的广告形式。每部电影都会根据自身的主题风格设计海报，精致的电影海报可以吸引人们的注意力。那么问题来了，不同风格的电影海报对颜色有什
1.3K50发布于 2018-02-05 - 来自专栏数据科学和人工智能
案例 | 使用K-Means对鸢尾花数据进行聚类分析
1949579478561587205&format_id=10002&support_redirect=0&mmversion=false 基于爱数科平台（www.idatascience.cn），使用K-Means 对鸢尾花数据集进行聚类分析，然后使用柱状图对不同类的样本数结果进行可视化分析，最后对聚类结果进行评估。
95740编辑于 2022-04-01 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】K-Means 二维数据聚类分析 ( K-Means 迭代总结 | K-Means 初始中心点选择方案 | K-Means 算法优缺点 | K-Means 算法变种 )
文章目 K-Means 二维数据 聚类分析 数据样本及聚类要求 二维数据曼哈顿距离计算 K-Means 算法 步骤 第一次迭代 : 步骤 ( 1 ) 中心点初始化 第一次迭代 : 步骤 ( 2 ) 计算距离 K-Means 初始中心点选择方案 K-Means 算法优缺点 K-Means 算法变种 K-Means 二维数据 聚类分析 数据样本及聚类要求 ---- 数据样本及聚类要求 : ① 数据样本 : 数据集样本为 鲁棒性差 : 对于数据样本中的噪音数据 , 异常数据 , 不能有效的排除这些数据的干扰 ; ⑥ 局限性 : 只能处理凸状 , 或 球状分布的样本数据 , 对于 凹形分布 的样本数据 , 无法有效的进行聚类分析 ; K-Means 算法变种 ---- 1 . K-Means 变种算法 与 k-Means 算法的区别与联系 : ① 原理相同 : 这些变种算法 与 K-Means 算法原理基本相同 ; ② 中心点选择不同 : 变种算法 与 原算法 最初的中心点选择不同
1.2K30编辑于 2023-03-27 K-means聚类算法实战：信用卡用户画像聚类分析
四、K-means聚类step1:选取K值k 的选择一般是按照实际需求进行决定，或在实现算法时直接给定 k 值。 手肘法手肘法是最常用的确定K-means算法K值的方法，所用到的衡量标准是SSE（sum of the squared errors，误差平方和） 。
34610编辑于 2026-01-20- 来自专栏全栈程序员必看
python层次聚类分析_SPSS聚类分析：系统聚类分析
一、概念：(分析-分类-系统聚类) 系统聚类法常称为层次聚类法、分层聚类法，也是聚类分析中使用广泛的一种方法。
1.2K50编辑于 2022-11-02 - 来自专栏小明的博客
聚类分析
聚类分析根据聚类算法将数据或样本对象划分成两个以上的子集。 每一个子集称为一个簇，簇中对象因特征属性值接近而彼此相似。不同簇对象之间则彼此存在差异。 把相似的对象归于统一组，不同对象归于不同组。 K-means 是典型的基于划分的聚类算法 层次法(Hierarchical Method) 对数据对象集进行层次分解。 聚类分析的过程 样本准备与特征提取：根据样本特性选取有效特征，并将特征组向量化； 相似度计算：选择合适的距离测度函数，计算相似度 聚类：根据聚类算法进行聚类 聚类结果评估：对聚类质量进行评估并对结果进行解读 卡林斯基哈拉巴斯指数（Calinski-harabaz Index） 就维斯-布尔丁指数 权变矩阵 K-means聚类算法 K指分类为K簇，means意为簇的中心，即聚类中样本的均值。 初始质心的选择 K-Means算法中初始质心的放置是一个非常重要的环节，虽然时间足够的情况下一定会收敛，但是可能会收敛到局部最小值。
2K20编辑于 2022-09-05 - 来自专栏生信小驿站
无监督学习 聚类分析①聚类分析
聚类分析 介绍 聚类分析是一种数据规约技术，旨在借楼一个数据集中观测值的子集。他可以把大量的观测值归约未若干类。聚类分析被广泛应用于生物和行为科学，市场以及医学研究中。 医学研究人员通过对DNA微阵列数据进行聚类分析来获得基因表达模式，从而帮助他们理解人类的正常发育以及导致许多疾病的根本原因。 对于划分聚类来说，最常用的是K均值（K-means）和围绕中心点的划分（PAM）。每一类聚类方法都有它的优点和缺点。 80.93429 176.4922 0.00000 45.76418 BEEF STEAK 35.24202 130.8778 45.76418 0.00000 层次聚类分析 如果最终目的是这些食品分配的类较少，需要NbClust包来确定一个聚类分析里的最佳数目。
1.2K20发布于 2018-08-27 - 来自专栏ascii0x03的安全笔记
【C】用C语言提取bmp图片像素，并进行K-means聚类分析——容易遇到的问题
47 int height; 48 int width; 49 } RGB_EX; 50 #pragma pack ()//字节对齐的控制 main.c: 1 // 针对图片实现K-means (pfin); 70 fclose(pfout); 71 //#pragma pack () 72 return 0; 73 } 74 75 /* 76 对图片像素使用K-means
2.8K60发布于 2018-04-12 - 来自专栏CSDNToQQCode
聚类分析
1.聚类的基本思想 聚类分析将关系密切的研究对象聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有的聚合完毕，并形成一个分群图（谱系图）描绘不同研究对象之间的类似程度差异。 其中，对样品的分类称为Q型聚类分析，对变量的分类称为R型聚类分析。 聚类分析同回归分析、判别分析一起称为多元分析的三大方法。 5.模糊聚类分析 设x是全域，若A为x上取值为[0,1]的一个函数，则称A为模糊集。若一个矩阵元素取值为[0,1]范围内，则称该矩阵为模糊矩阵。
1K30编辑于 2022-11-29 - 来自专栏全栈程序员必看
什么是聚类分析？聚类分析方法的类别
图 1 聚类分析示意 聚类分析可以应用在数据预处理过程中，对于复杂结构的多维数据可以通过聚类分析的方法对数据进行聚集，使复杂结构数据标准化。 聚类分析还可以用来发现数据项之间的依赖关系，从而去除或合并有密切依赖关系的数据项。聚类分析也可以为某些数据挖掘方法（如关联规则、粗糙集方法），提供预处理功能。 在生物上，聚类分析被用来对动植物和基因进行分类，以获取对种群固有结构的认识。 在保险行业上，聚类分析可以通过平均消费来鉴定汽车保险单持有者的分组，同时可以根据住宅类型、价值、地理位置来鉴定城市的房产分组。 在互联网应用上，聚类分析被用来在网上进行文档归类。 图 2 层次聚类算法示意 基于划分的聚类方法中，最经典的就是k-平均（k-means）算法和 k-中心（k-medoids）算法，很多算法都是由这两个算法改进而来的。
7K10编辑于 2022-07-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号