<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FAICULTY的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/FAICULTY</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; FAICULTY]]></copyright><item><title><![CDATA[windows+sublime+latex]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/84838644</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/84838644</guid><author>FAICULTY</author><pubDate>Wed, 05 Dec 2018 16:30:13 +0800</pubDate><description><![CDATA[1. 基本要求

TeXlive 或者 MiKTeX （本文以 TeXlive 2015 为例）
Sublime Text 3
LaTeXTools 插件

TeXlive 和 Sublime Text   的安装这里不再赘述，需要注意的一个事情是，安装之后需要将 TeXlive 的 bin 目录（C:\texlive\2015\bin\win32）和 添加到系统的环境变量（PATH）中。下面再稍...]]></description><category></category></item><item><title><![CDATA[K-D Tree 算法详解及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79474627</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79474627</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:25:42 +0800</pubDate><description><![CDATA[K-D Tree 算法

　　k−d&amp;nbsp;treek−d&amp;nbsp;tree\mathrm{k-d\ tree}即k−dimensional&amp;nbsp;treek−dimensional&amp;nbsp;tree\mathrm{k-dimensional\ tree}，是一种分割k维数据空间的数据结构，常用来多维空间关键数据的搜索(如：范围搜素及近邻搜索)，是二叉空间划分树的一个特例。通常，对于维...]]></description><category></category></item><item><title><![CDATA[密度聚类之DBSCAN及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79430164</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79430164</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:23:30 +0800</pubDate><description><![CDATA[密度聚类

密度聚类，即基于密度的聚类(density-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。前面所讲的原型聚类及层次聚类等都是把距离(欧式距离，闵科夫斯基距离，曼哈顿距离等)作为两个样本或者两个簇之间相似度的评价指标，因此导致了最终聚类结构大都是球状簇或者凸形集合，对任意形状的聚类簇比较吃力，同时对噪声数据不敏感，而基于密度的聚类算法可以发现任意形...]]></description><category></category></item><item><title><![CDATA[层次聚类之AGNES及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79360449</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79360449</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:22:14 +0800</pubDate><description><![CDATA[层次聚类

层次聚类，顾名思义，就是一层一层的进行聚类，它试图在不同层次对数据集进行划分，可以由上向下把大的类别分割，即“自顶向下”的分拆策略(见下面AGNES部分)，也可以由下向上对小的类别进行聚合，即“自底向下”的聚合策略：开始把所有的样本都归为一类，然后逐步将他们划分为更小的单元，直到最后每个样本都成为一类。在这个迭代的过程中通过对划分过程中定义一个松散度，当松散度最小的那个类的结果都小于一...]]></description><category></category></item><item><title><![CDATA[原型聚类之高斯混合聚类及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79343640</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79343640</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:20:14 +0800</pubDate><description><![CDATA[高斯混合模型聚类(Gaussian Mixture Mode，GMM)

高斯混合模型是一种概率式的聚类方法，它假定所有的数据样本 xxx由kkk个混合多元高斯分布组合成的混合分布生成。 
p(x)=∑i=1kαi⋅p(x|μi,Σi)(1.1)(1.1)p(x)=∑i=1kαi⋅p(x|μi,Σi)p(x)=\sum_{i=1}^{k}\alpha _{i}\cdot p(x | \mu _{i...]]></description><category></category></item><item><title><![CDATA[原型聚类之学习向量量化及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79342071</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79342071</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:19:19 +0800</pubDate><description><![CDATA[学习向量量化(Learning Vector Quantization)

学习向量量化(Learning Vector Quantization,简称LVQ)属于原型聚类，即试图找到一组原型向量来聚类，每个原型向量代表一个簇，将空间划分为若干个簇，从而对于任意的样本，可以将它划入到它距离最近的簇中，不同的是LVQ假设数据样本带有类别标记，因此可以利用这些类别标记来辅助聚类。 
学习向量量化算法如...]]></description><category></category></item><item><title><![CDATA[原型聚类之K均值算法及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79341843</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79341843</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:17:48 +0800</pubDate><description><![CDATA[原型聚类(prototype-based clustering)

原型聚类，此类算法假设聚类结构能通过一组原型刻画，在现实聚类任务中极为常用，通常情形下，算法先对原型进行初始化，然后对原型进行迭代更新求解，采用不同的原型表示，不同的求解方式，将产生不同的算法，主要有：K均值算法、学习向量量化和高斯混合聚类。



K均值算法

K均值算法，顾名思义，可知将一组数据D={x1,x2,...,xm}...]]></description><category></category></item><item><title><![CDATA[聚类之距离计算及Python实现]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79334373</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79334373</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:16:38 +0800</pubDate><description><![CDATA[距离计算

我们通常采用计算“距离”的方法来度量不同样本之间的相似性，进而判断该样本的大致类别。距离首先是一个几何概念，用dist(⋅,⋅)dist(⋅,⋅)\mathrm{dist}(\cdot,\cdot)表示，其中最为任熟悉的是二维和三维几何空间的欧几里德距离，随着数据维度的增大，距离在维数、幂次数等方面被推广了，距离被抽象为满足一些基本性质：



 非负性：dist(xi,xj)≥0;(...]]></description><category></category></item><item><title><![CDATA[聚类之性能度量详解]]></title><link>https://blog.youkuaiyun.com/FAICULTY/article/details/79288494</link><guid>https://blog.youkuaiyun.com/FAICULTY/article/details/79288494</guid><author>FAICULTY</author><pubDate>Thu, 08 Mar 2018 10:15:32 +0800</pubDate><description><![CDATA[概念简述

聚类是什么呢？我们都听说过“物以类聚”，即把“志同道合”的 数据分到一起归为一类，不同类之间在”志向“上具有较大分歧。举个栗子，茫茫人生中，我们普通大众会被God根据缘分进行聚类，缘分好的话，会成为朋友，甚至成为了可以互诉衷肠，”余生请指教“的男女盘友，那缘分不好的应该是一生从未谋面或者一面之缘或者是如《再见前任3》中那样成为了最熟悉的陌生人…好像扯远了。 
言归正传，用标准的普通话来...]]></description><category></category></item></channel></rss>