墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.9k累计阅读
2.9k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
基于质心的划分方法是研究最多的算法，包括k-mean聚类算法及其各种变体，这些变体依据初始簇的选择，对象的划分、相识度的计算方法、簇中心的计算方法不同而不同。基于质心的划分方法将簇中所有对象的平均值看做簇的质心，根据一个数据对象与簇质心的距离，将该对象赋予最近的簇。在这类方法中，需要给定划分的簇个数k，首先得到k个初始划分的集合，然后采用地带重定位技术，通过将对象从一个簇移到另外一个簇来改进划分的质量。
算法：k-mean
输入：数据集D，划分簇的个数k
输出：k个簇的集合
从数据集合D中任意选择k个对象作为初始簇中心；、
Repeat
For 数据集D中每个对象P do
计算对象P到k个簇中心的距离
将对象P指派到与其最近（距离最短）的簇
End for
计算每个簇中心对象的均值，作为新的簇的中心
Until k个簇的簇中心不再发生变化
（1）本例子的样本集合是选择搜狗语料库中的三类文章，每类10篇，如图
（2）对于文本聚类，使用中科院的分词库ICTCLAS，接口封装在split.h和split.cpp中，在分词时，本例子只选用了动词和名词
（3
k-means聚类算法原理简析
k-means聚类算法原理简介概要算法思想算法流程图解代码实现 概要 K-means算法是最普及的聚类算法，也是一个比较简单的聚类算法，所以刚接触的同学不要感到害怕。算法接受一个未标记的数据集，然后将数据聚类成不同的组，同时，k-means算法也是一种无监督学习。 算法思想 k-means算法的思想比较简单，假设我们要把数据分成K个类，大概可以分为以下几个步骤： 随机选取k个点，作为聚类中心； ...
K-means文本聚类
理论介绍 Kmeans算法 k-means算法又称k均值，是一种无监督的机器学习方法，通过多次求均值实现聚类。即无需知道所要搜寻的目标，而是直接通过算法来得到数据的共同特征。如图所示，通过找到合适的K值和合适的中心点，来实现目标的聚类。 其具体算法思想实现过程如下： 1.指定簇的个数 2.随机选取K个中心点 3.将每条记录归到离它最近的中心点所在的簇中 4.以各个簇的记录均值的中心点取代之前的中...
聚类算法之K-mean算法
Clustering 中文翻译作“聚类”，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督
文本聚类算法之K-means算法的python实现
一、算法简介 算法接受参数k，然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得的一个“中心对象”来进行计算的。 基本思想：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。 算
K-mean均值算法原理讲解和代码实战
最近在学习吴恩达机器学习课程，刚刚学完第一个无监督学习算法，搭配着机器学习实战里面的k-mean实战，成功的将理论和实际结合了起来。接下来，咱们简单的分析算法原理之后，着重讲解一下源代码。
【聚类算法解析系列06】进阶聚类算法——谱聚类与Mean Shift
当Facebook分析30亿用户的社交网络时，当达芬奇手术机器人分割肿瘤组织时，当Waymo自动驾驶汽车识别路障时——：将数据转换为图结构，通过谱分解（Spectral Decomposition）捕捉数据流形的低频振动模式。数据本质是连通的图，而非孤立的点——爱因斯坦"场论"在ML的再现。在512维数据上，特征分解速度提升1000倍。
二分K-mean均值算法原理讲解和代码实战
二分K-mean均值算法原理讲解和代码实战
【NLP】文本聚类和主题建模
够了！这是实践的文章，所以终于到了一些实践编码的时候了。# 实例化我们的主题模型# 将我们的主题模型拟合到文档列表中然而，BERTopic 众所周知的模块化性以及我们迄今为止已经可视化的模块化性也可以通过编码示例来可视化。您可能已经注意到，大多数导入（例如 UMAP 和 HDBSCAN）都是默认 BERTopic 管道的一部分。# 步骤 1 - 提取嵌入（蓝色块）# 步骤 2 - 降低维度（红色块）# 步骤 3 - 聚类减少嵌入（绿色块）# 第 4 步 - 对主题进行标记（黄色块）
机器学习实战11-基于K-means算法的文本聚类分析，生成文本聚类后的文件
大家好，我是微学AI，今天给大家介绍一下自然语言处理实战项目13-基于K-means算法的文本聚类分析，生成文本聚类后的文件。文本聚类分析是NLP领域的一个核心任务，通过将相似的文本样本分组，可以帮助我们发现隐藏在文本数据中的模式和结构。
强化学习入门8—深入理解DDPG
本文是强化学习入门系列的第八篇，前面我们讲Actor-Critic时提到了DDPG。DDPG是google DeepMind团队提出的一种用于输出确定性动作的算法，它解决了Actor-Critic 神经网络每次参数更新前后都存在相关性，导致神经网络只能片面的看待问题这一缺点。同时也解决了DQN不能用于连续性动作的缺点。
GAN网络（论文阅读）：Generative Adversarial Nets
当判别器效果比较好时，D(G(z))值为0，则log(1-D(G(z)))值为0，当判别器效果不好，会输出一个大于0 的数，则log(1-D(G(z)))值就为一个负数，在极端情况下，会得到负无穷大，此时判别失误。在价值函数的第二项中存在问题，在早期G比较弱的时，生成的数据和真实数据相差很大，D就容易训练的比较好，很容易区分，就会导致log(1-D(G(z)))变成0 ，这样很难求梯度来优化G，所以更新G时，将优化函数改为log(D(G(z)))。最终使G赢，即G生成的数据D判别不出来。
java结合Ai
Spring AI 是 AI 工程的应用框架。其目标是将Spring生态系统的设计原则（如可移植性和模块化设计）应用于AI领域，并促进使用POJO作为应用程序的构建块到AI领域。特征跨 AI 提供商的可移植 API 支持，适用于聊天、文本到图像和嵌入模型。支持同步 API 和流 API 选项。还支持下拉以访问特定于模型的功能。聊天模型亚马逊基岩人类学Cohere的命令AI21 Labs的侏罗纪-2Meta 的 LLama亚马逊的泰坦人类学克劳德Azure 开放式 AI。
告别Python中间件！C#原生调用YOLOv11/v12：工业视觉检测零语言壁垒全流程
本文介绍了一种基于C#和ONNX Runtime的工业视觉检测解决方案，解决了传统YOLO模型在工业应用中面临的三大痛点：语言壁垒、性能损耗和模型更新困难。该系统采用三层架构设计，支持C#原生调用YOLO模型，无需中间件，性能损耗低于5%，满足工业产线30FPS+的实时性要求。文章详细阐述了环境搭建、模型导出规范、核心代码实现及工业级优化方案，提供可直接用于生产环境的完整流程，实现了训练与部署的解耦，显著降低了维护成本。该方案兼容主流YOLO版本，支持全平台部署，为工业视觉检测提供了高效可靠的C#集成方案。
英伟达 Jetson AGX Thor 官方入门教程（二）CUDA、Docker、JetPack 设置
本文详细介绍了NVIDIA Jetson AGX Thor开发套件的安装与配置流程。主要内容包括：1) BSP安装的三种方法（Jetson ISO、SDK Manager和Linux刷写脚本）及其适用场景；2) Docker环境的完整配置步骤及测试方法；3) CUDA工具包的两种安装方式（容器化和原生安装）及其性能对比；4) JetPack SDK的安装选项。文章提供了详细的命令行操作指南和故障排除建议，帮助开发者快速搭建AI开发环境，充分发挥Jetson平台的硬件性能优势。
Unity中语法糖带来的GC问题 ——那些看起来优雅、实际上在背后偷偷生垃圾的代码
*语法糖（Syntactic Sugar）**指的是编程语言中为了让代码更简洁、易读而提供的简便写法。比如C#中的foreachlambda表达式LINQ自动属性等。语法糖本身不是坏事，但在Unity等对GC敏感的环境下，要警惕语法糖带来的隐式内存分配。合理使用语法糖，关键场合用更“丑陋”但高效的写法，才能保证游戏流畅运行。下面我将更深入地分析Unity中语法糖导致GC的原理、具体场景、检测与优化技巧，并补充一些容易忽视的细节。
【扣子AI开发】如何开发一个图像生成智能体?
【扣子AI开发】如何开发一个图像生成智能体，从创建到发布
1.1 了解Spring框架 -《SSM深入解析与项目实战》
文章目录第1篇 基础概念第1章 谈谈SSM框架和Redis1.1 了解Spring框架1.1.1 如何学习Spring1.1.2 IoC（Inversion of Control 控制反转）1.1.3 AOP（Aspect Oriented Programing面向切面编程） 项目中所有的源码都可以在此链接的仓库中找到：https://github.com/chenhaoxiang/uifuture-ssm 本章非常形象的介绍了Springn中最核心的两个概念，IoC和AOP，使用了现实中的例子
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8万+
扫一扫
