1 K-Means聚类K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。下面是K-Means聚类算法的分析流程，步骤如下：第一步，确定K值，即将数据集聚集成K个类簇或小组。
第二步，从数据集中随机选择K个数据点作为质心
转载
2024-04-03 20:19:28
255阅读
常见的聚类算法有：kmeans、fuzzy c-means、EM、hierarchical clustering、graph theoretic、self organizing map参考文章：A Review on Image Segmentation Clustering Algorithms其中LZ对Kmeans和EM比较熟悉，图论和自组织映射相关的资料比较少，主要学习下模糊C均值聚类和层次
转载
2024-05-20 10:31:47
145阅读
引言：聚类是将数据分成类或者簇的过程，从而使同簇的对象之间具有很高的相似度，而不同的簇的对象相似度则存在差异。聚类技术是一种迭代重定位技术，在我们的生活中也得到了广泛的运用，比如：零件分组、数据评价、数据分析等很多方面；具体的比如对市场分析人员而言，聚类可以帮助市场分析人员从消费者数据库中分出不同的消费群体来，并且可以分析出每一类消费者的消费习惯等，从而帮助市场人员对销售做出更好的决策。所以，本篇
转载
2023-08-07 14:30:47
78阅读
1.摘要聚类是统计数据分析的一门技术，在许多领域受到广泛的应用，包括机器学习、数据挖掘、图像分析等等。聚类就是把相似的对象分成不同的组别或者更多的子集，从而让每个子集的成员对象都有相似的一些属性。所谓聚类算法，其实就是将一对没有标签的数据自动划分成几类的方法。在应用场景上，聚类能帮助我们解决很多计算机中的分类问题，常见的如：颜色类别分类、空间坐标中的密度分类、电商中的人群特征分类。除了分类问题外，
转载
2024-06-29 17:23:19
46阅读
1.如何定义聚类？你能列举几种聚类算法吗？在机器学习中，聚类是将相似的实例组合在一起的无监督任务。 相似性的概念取决于你手头的任务：例如，在某些情况下，两个附近的实例将被认为是相似的，而在另一些情况下，只要它们属于同一密度组，则相似的实例可能相距甚远。流行的聚类算法包括K-Means、 DBSCAN、聚集聚类、BIRCH、均值平移、亲和度传播和光谱聚类。2.聚类算法的主要应用有哪些？聚类算法的主要
转载
2024-04-10 09:00:57
124阅读
第六章 图像聚类6.1 K-Means聚类6.1.1 SciPy聚类包6.1.2 图像聚类6.1.3 在主成分上可视化图像6.1.4 像素聚类6.2 层次聚类6.2.1 图像聚类6.3 谱聚类这一章会介绍几种聚类方法，并就怎么使用它们对图像进行聚类找出相似的图像组进行说明。聚类可以用于识别，划分图像数据集、组织导航等。同时，我们也会用聚类相似的图像进行可视化。6.1 K-Means聚类K-mea
转载
2023-10-06 20:28:55
350阅读
引由于目前手头处理的事情与图像处理相关，自然少不了滤波、分割、插值等等。这里所做的图像聚类属于一种无监督的图像像素分类，有学习价值。说明本次实践针对灰度图像来处理，彩色图像的处理思路与其相同，只是需要分不同的通道，代码大部分参数采用键盘输入，方便调试。结果展示先来看看结果，直观感受一下聚类的“魅力”。——第一组——下图为迭代周期 = 20， 分类数 = 8的结果下图为迭代周期 = 20， 分类数
转载
2024-05-06 19:22:44
67阅读
本文对其中的难懂的地方做一些备注 谱聚类（spectral clustering）是广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法原理做一个总结。1. 谱聚类概述 谱聚类是从图论中演化出来的
转载
2024-02-29 10:49:55
34阅读
1、问题导入假如有这样一种情况，在一天你想去某个城市旅游，这个城市里你想去的有70个地方，现在你只有每一个地方的地址，这个地址列表很长，有70个位置。事先肯定要做好攻略，你要把一些比较接近的地方放在一起组成一组，这样就可以安排交通工具抵达这些组的“某个地址”，然后步行到每个组内的地址。那么，如何确定这些组，如何确定这些组的“某个地址”？答案就是聚类。而本文所提供的k-means聚类分析方法就可以用
转载
2023-07-06 14:19:42
350阅读
K-means 聚类算法属于无监督学习，它会将相似的对象归到同一个簇中，该算法原理简单，执行效率高，并且容易实现，是解决聚类问题的经典算法。尽管如此，任何一款算法都不可能做到完美无瑕，K-measn 算法也有自身的不足之处，比如 K-means 需要通过算术平均数来度量距离，因此数据集的为维度属性必须转换为数值类型，同时 K-means 算法使用随机选择的方式来确定 K 的数量和初始化质心 ，因此
转载
2024-01-02 11:00:27
97阅读
关键技术上篇文章对图像聚类与检索的总体设计方案进行了描述，本篇将对基本的关键技术进行阐述。 1 直方图特征： 对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。l &n
这组文章作为读完Ulrike von Luxburg的论文 A Tutorial on Spectral Clustering（2007）的一个总结。论文的讨论范围为三种不同的谱聚类算法： 1. unnormalized spectral clustering 2. Shi and Malik的算法（2000） 3. NJW算法（2002）其中算法1使用**未经过标准化的**Laplaci
作者：George Seif
编译：ronghuaiyang
导读
聚类作为一种无监督技术，在很多的场合非常的有用，今天給大家介绍5个非常常用的聚类算法，以及各自的优缺点。
聚类是一种机器学习技术，涉及数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点分类到特定的组中。理论上，同一组中的数据点应该具有相似的属性或特征，而不同组中的数据点应该具有高度不同的属性
转载
2024-05-16 10:02:35
50阅读
文章目录一、聚类算法简介二、K-means聚类2.1 聚类过程：2.2 K-means的损失函数2.3 K-means的缺点2.4 如何选择K：2.5 K-means小结2.6 K-means和KNN的区别三、层次聚类四、高斯混合模型五、三种方法的对比 聚类算法准确率不太高，很少单独使用，但是会用来提供一些特征。 一、聚类算法简介是一种无监督学习，只有数据x，没有标签y试图通过数据间的关系发现
转载
2024-04-24 14:40:32
57阅读
决策树、随机森林、逻辑回归都属于“有监督学习”。
聚类属于“无监督学习”,其作用就是将数据划分成有意义或有用的簇。
聚类的应用：
对客户信息进行分类，以实现精准营销。
可以用于降维和矢量量化（vector quantization）常常用于图像、声音、视频等非结构化数据的压缩。
聚类和分类的区别： 分类是训练数据有标签，新来一个数据判断属于哪
转载
2024-04-05 00:03:30
20阅读
1. 聚类概述Everitt 在 1974 年对聚类分析做出如下定义：同一簇内的对象之间相似性高，不同簇内的对象之间相似性低，同一簇内的任意两个对象间的距离小于不同簇内的任意两个对象间的距离[2]。簇可以这样描述：“它是一个密度相对较高的数据对象集”。(1) 基于划分的聚类方法，如K-means、K-medoids (2) 基于层次的聚类方法，如CURE (3) 基于网格的聚类方法，如STING
文章目录图像聚类算法一、分类与聚类1.1 分类1.2 聚类二、聚类常见的算法2.1 原型聚类2.1.1 K-means聚类算法的分析流程：2.1.2 K-Means聚类与图像处理2.2 层次聚类2.1 凝聚层次聚类的流程2.3 密度聚类（DBSCAN） 图像聚类算法一、分类与聚类1.1 分类 分类其实是从特定的数据中挖掘模式，作出判断的过程。分类学习的主要过程： （1）训练数据集存在一个类标记
转载
2023-12-15 15:14:06
304阅读
关于聚类算法一直是近几年来机器学习的热门，下面谈谈自己对其中几种聚类算法的理解，首先在谈聚类算法之前我们引入相似度这么一个概念，什么是相似度呢，简单来说假设有M个样本，其中任意两个样本之间的相似的度量，很明显我们需要一个标准去度量它们下面有几种常见的度量标准：1.欧式距离 2.杰卡尔德距离 3.相关系数1 K-Means算法 还有一些度量标准在这里就不多做介绍了，接下来我们介绍第一种聚类算法
转载
2024-03-27 07:45:24
44阅读
【社区发现/图聚类算法】ppSCAN：Parallelizing Pruning-based Graph Structural Clustering一、论文地址：二、摘要：三、问题阐述：四、基础算法：五、分析和讨论：5.1 性能瓶颈：5.2 并行化的挑战：六、并行化算法：6.1 优化方法：6.2 程序伪代码：Role Computing：Core and Non-Core Clustering：
转载
2024-05-20 10:41:44
82阅读
