为什么要使用K-means++ 聚类算法由于 K-means 算法的结果会受到初始点的选取而有所区别，即K-Means在初始化聚类中心时是在最小值和最大值之间随机取一个值作为其聚类中心，这样的随机取值会导致聚类中心可能选择的不好，最终对结果会产生很大的影响。经过测试，如果样本类别区分度较明显，按照K-Means初始化聚类中心，对结果的影响并不大；反之，如果样本的类别区分度不大，聚类结果会有较大的不
1.原型聚类：典型的做法是K-means，首先设定k个类别，随机的在总体样本中选择k个样本作为聚类中心，然后遍历所有样本点，把所有样本点分类到k个类中（以最短距离为标准），然后更新k个样本的样本中心，再重新划分所有的样本点。停止条件可以设定为样本的变化幅度不大的情况，或者两次的损失函数变化不大的情况。优点：简单、时间复杂度、空间复杂度低缺点：随机初始化的中心点对结果影响很大；2.层次聚类：就是对所
转载
2024-11-01 13:27:24
53阅读
文章目录基本介绍算法步骤伪代码距离计算方法算法优缺点优点缺点K-means++ 听说点进蝈仔帖子的都喜欢点赞加关注~~ 感谢知乎： https://zhuanlan.zhihu.com/p/78798251
基本介绍来自百度百科：K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规
#信息内容安全第一次实验 –TF-IDF加权技术 文章目录jieba库的分词使用的三种办法listdir方法一、实验原理二、实验步骤总结 jieba库的分词使用的三种办法全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义精简模式：把句子最精确的分开，不会添加多余单词，看起来就像是把句子分割一下搜索引擎模式：在精简模式下，对长词再度切分jieba.cut生成的是一个生成器
转载
2024-09-24 23:46:29
74阅读
这是今天读的第二篇论文，EfficientDet: Scalable and Efficient Object Detection。论文地址以引用方式出现，听起来好像挺酷，其实大家根本不会看的，对吧 = =这篇论文主要讨论了两个方面，加权双向特征金字塔网络（BiFPN）也是本文重点，另一方面提出改进型网络EfficientDet，可以同时统一缩放所有骨干网、特征网络和框/类预测网络的分辨率、深度和
转载
2024-07-31 12:17:52
326阅读
注：此过程是运行在darknet已编译完成后的情况，具体运行环境参考上一篇博文：编译darknet网络-下载git版本时间20210520 一、在darknet主目录下创建yolo-obj.cfg配置文件，拷贝yolov4-custom.cfg的内容到yolo-obj.cfg中，并对部分内容进行修改。修改batch=64，修改subdivisions=64（如果显卡性能较高，可以设置ba
转载
2024-03-19 10:26:03
125阅读
目录摘要：1.竞争神经网路介绍：2.仿真实验：3.相关代码：摘要：基于Matalb平台，构建竞争神经网络模型，并实现无监督的数据聚类。1.竞争神经网路介绍： 竞争型神经网络是以无教师示教方式进行网络训练的一种神经网络。它的特点是能将输入数据中隐含的特征抽取出来，自动进行学习。网络通过自身训练，自动对输入模
转载
2023-10-09 10:47:42
90阅读
聚类系数计算在图论中，集聚系数是图中的点倾向于集聚在一起的程度的一种度量。证据显示：在多数实际网络以及特殊的社会网络中，结点有形成团的强烈倾向，这一倾向的特征是有一个相对紧密的连接(Holland and Leinhardt, 1971[1]; Watts and Strogatz, 1998[2]，后者是提出了小世界网络模型)。在实际网络中，这种可能性比随机生成的均匀网络的两个结点间连接的可能性
转载
2024-08-26 20:56:20
174阅读
现有大部分机器学习或者深度学习的研究工作大多着眼于模型或应用，而忽略对数据本身的研究。今天给大家介绍的几个文章就关注于在机器学习中如何通过对训练集的选择和加权取得更好的测试性能。在开始之前，先和大家简单回顾一下我个人觉得相关的几方面工作。其实远在深度学习时代之前，根据loss对样本加权的工作就已经有很多。神奇的是，其实在一条线上有着截然相反的想法的研究：第一类工作的想法是如果一个样本训练得不够好，
转载
2024-04-26 14:11:15
58阅读
文章目录一、sklearn.cluster.KMeans二、 聚类算法的模型评估指标基于轮廓系数来选择n_clusters三、重要参数init & random_state & n_init：初始质心怎么放好?四、重要参数max_iter & tol：让迭代停下来五、K_Means 函数六、案例：聚类算法用于降维，KMeans的矢量量化应用总结 一、sklearn.clu
转载
2024-07-24 16:20:20
45阅读
文章目录什么是聚类？KMeans介绍KMeans快速体验KMeans代码实现K-Means算法的缺陷和优点是什么?K-Means算法的应用场景K-Means算法如何确定K值?肘部法则 SSE 集合内误差平方和轮廓系数--计算量太大K-Means算法的伪代码K近邻法(Knn)与k-Means的区别?---------其它聚类算法了解---------层次聚类算法K最近邻算法决策树Decision-T
密度聚类：desity-based clustering此类算法假设聚类结构能通过样本分布的紧密程度确定。通常情形下，密度聚类算法从样本的密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。DBSCAN是著名的密度聚类算法。它常常用于异常检测，他的注意力放在离群点上，所以，当遇到无监督的检测任务时，他是首选。一些概念DBSCAN: ϵ-邻域：核心对象(core
PCA降维主成分分析法（Principal Components analysis PCA）是一种分析、简化数据集的技术。PCA可以将数据从原来的向量空间映射到新空间中。由于每次选择的都是方差最大的方向，所以往往经过前几个维度的划分后，之后的数据排列都非常紧密了，我们可以舍弃这些维度从而实现降维。 上述看起来很晦涩难懂，我们可以大致知道PCA就是提出空间数据中的主要特征（主元），减少数据冗余，使得
转载
2024-09-05 08:15:39
65阅读
层次聚类层次聚类假设类别之间存在层次结构，将样本聚到层次化的类中。所谓层次就是一层一层的进行聚类，可以采用自顶向下的聚类策略（分裂），也可以采用自下而上的策略（凝聚）。聚合聚类：开始将每个样本各分到一个类，之后将距离相近的两类合并，建立一个新的类，重复此操作直到满足停止条件，得到层次化的类别。分裂聚类：开始将所有的样本分到一个类，之后将已有类中相距最远的样本分到两个新的类，重复此操作直到满足停止条
第一章节：相似度的度量方法及联系1.1 聚类的定义： 聚类就是对大量位置标注的数据集，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小。1.2 相似度/距离 1.3 相似度方法间的联系聚类相似度间的方法和联系（需要打上连接）第二章节 K-means算法2.1 聚类的基本思想对于给定
1.确保网站每一个标题的唯一性也是网站优化者必须注重的，只有唯一性才能给你的网站带来权重，在内页中我们可以采用标题+频道+网站名字来写。
2.为了能加速网站被收录的速度，我们要尽量的帮助自己的网站减肥，我们可以采用js或者css等来缩小网页体积，加快网页被收录的速度才能真正的提高网站权重。
3.服务器的质量是决定网站优化是否成败的重要因素，如果服务器经常有问题打不开，或者速度慢，那么蜘蛛和用户都会
转载
2024-05-27 14:05:55
39阅读
第 56 天: kMeans 聚类算法思想：kMeans聚类算法采用距离作为相似性的评价指标。该算法认为两个对象的距离越近，其相似度就越高。其思想是随机选取k个对象作为初始的聚类中心并计算每个对象与各个聚类中心的距离，把对象分配给距离它最近的聚类中心所属的聚类（聚类中心以及分配给它们的对象就代表一个聚类）。分配完成后每个聚类的聚类中心会根据聚类中现有的对象重新计算，并再次计算每个对象与各个新的聚类
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO(r'yolov8.yaml') # 不使用预训练权重训练
# model = YOLO(r'yolov8.yaml').load("yolov8n.pt") # 使用预训练权重训练
# 训练参数 -------
转载
2024-06-07 09:07:29
478阅读
ML主要分为训练和预测两个阶段,此教程就是将训练好的模型freeze并保存下来.freeze的含义就是将该模型的图结构和该模型的权重固化到一起了.也即加载freeze的模型之后,立刻能够使用了。下面使用一个简单的demo来详细解释该过程,一、首先运行脚本tiny_model.py#-*- coding:utf-8 -*-
import tensorflow as tf
import numpy a
转载
2024-06-18 05:49:59
180阅读
选择符 Selectors元素选择符关系选择符属性选择符伪类选择符伪对象选择符CSS权重 元素选择符选择符名称描述*通配选择符所有元素对象E类型选择符匹配对应的标签#id选择符以唯一标识符id属性作为对象的选择符.class选择符以包含对应的class属性作为对象的选择符一般我们在CSS样式表里面加入*{margin:0;padding:0},清除所有元素的内外边距关系选择符选择符名称描述div
