17、基于相异性的多实例学习与形状类别学习的博弈论方法

基于相异性的多实例学习与形状类别学习的博弈论方法

在机器学习和计算机视觉领域,多实例学习(MIL)以及形状类别的无监督学习是重要的研究方向。本文将介绍基于相异性的多实例学习方法,以及一种通过博弈论方法来进行形状类别无监督学习的方案。

基于相异性的多实例学习

在图像检索数据集的实验中,使用线性核的支持向量机(SVM)以及Fisher方法,在三个数据集中的两个数据集上表现优于专门为MIL问题调整的SVM。这表明在这类问题中考虑实例之间的关系是有益的。

线性分类器基于所提出的相异性表示,在某些情况下比MIL文献中的最佳结果表现更好,在其余情况下接近已发表的最佳结果。需要注意的是,这些分类器是“现成”应用的,例如SVM中的权衡参数C没有通过交叉验证进行调整,而是固定为1。并且,分类器在维度等于训练样本数量的相异性空间中进行训练和测试。对于SVM来说这不是问题,对于Fisher方法则使用了伪逆。通过适当的正则化或降低相异性空间的维度,例如通过原型选择,可能会获得比表中报告的更好的结果。

SVM在某些图像检索数据集上的表现比随机表现还差,特别是在狐狸数据集上基于Hausdorff距离 $d_H$ 获得的相异性表示构建时。这可能是由于相异性空间中存在强烈的类别重叠。1NN和Fisher在这种表示上的表现也比其他表示差,这也证明了这一点。

最小点集距离 $d_{min}$ 作为包相异性度量效果很好。这有点令人惊讶,因为在MIL中由于正包也包含负实例,类别预计会重叠。原因是在使用的数据集中,正实例的分布比负实例更密集,因此包含至少一个正实例的包更有可能接近另一个包含至少一个正实例的包,而不是只包含负实例的包。

总的来说,相异性表示方法可以用于解决MIL问题。在包相异性空间中构建的通用监督线性分类器形式的全局决策规则,在公开可用的MIL数据集上实现了出色的分类准确率。该方法具有通用性,与流行的基于核的方法相比,它为解决MIL问题提供了更广泛的包之间接近度度量选择。此外,有迹象表明,考虑实例之间的关系可以提高某些MIL问题(如图像检索问题)的性能。

形状类别无监督学习的博弈论方法

形状类别无监督学习是计算机视觉中的核心问题,具有重要的理论和实际影响。该问题有两个相互关联的方面:一是发现存在的形状类别,可有效作为形状聚类问题来解决;二是类属性的泛化,即能够将每个新遇到的形状分配到提取的类别之一,或者将其识别为异常值。而确定两个形状之间的真实相似性是这两个任务的基础。

以往的方法存在一个问题,即它们都假设形状之间存在单一的通用相似性度量,通常还要求具有度量属性。然而,心理实验表明,人类对相似性的感知不仅是非度量的,而且强烈依赖于周围的上下文。特别是,形状类内的观察变异对于确定属于该类的形状的相似性感知至关重要。

为了解决这个问题,提出了一种博弈论方法来无监督地计算形状类别。这里存在一个“鸡和蛋”的问题:确定感知到的相似性需要类别知识,而提取类别知识又需要相似性。通过一种类似EM的方法来解决这个问题,迭代地估计类别成员关系并最大化类别表示的参数。

断开骨架与类别影响匹配

骨架是通用形状识别中最常见的表示方案之一,因为它们能够捕捉部分结构,并且对关节和遮挡不敏感。然而,在实践中,两个视觉上非常相似的形状可能具有结构上不同的骨架,因此需要在提取骨架或匹配过程中解决这种不稳定性问题。

断开骨架提供了一种替代解决方案,它旨在从头开始获得一种粗略但非常稳定的骨架表示。断开骨架是根据特殊的距离表面(Aslan表面)定义的,其等高线是初始形状边界的越来越平滑的版本,并且有一个单一的极值点,捕捉形状的类似斑点表示的中心。从该表面提取的每个分支被分类为正或负,分别表示它是从正曲率最大值(凸起)还是负曲率最小值(凹陷)产生的。

在相关研究中,断开骨架被表示为有根属性深度为1的树,并使用树编辑距离来匹配这些结构。此外,使用要匹配的形状之一的类别来确定编辑成本。成本函数是根据存储在辅助树联合结构中的骨架属性的类别特定统计信息计算的。

分组博弈

分组博弈框架源于对组成员假设之间竞争的博弈论形式化。基本思想是让每个元素属于一个组的假设相互竞争,每个假设从兼容元素获得支持,并受到所有其他元素的竞争压力。竞争将减少那些没有从其他元素获得强烈支持的假设的数量,而让那些获得强烈支持的假设的数量增加。最终,所有不一致的假设将被淘汰,所有幸存的假设将达到平衡,所有元素获得相同的平均支持。

具体来说,设 $O = {1, \cdots, n}$ 是可用元素的集合,对于每对策略 $i, j \in O$,$a_{ij}$ 表示一个玩家采用策略 $i$ 对抗采用策略 $j$ 的对手时的收益。混合策略是在可用策略 $O$ 上的概率分布 $x = (x_1, \cdots, x_n)^T$。

定义 $\Delta = {x \in \mathbb{R}^n : x_i \geq 0 \text{ 对于所有 } i \in O, 1^T x = 1}$,其中 $1 = (1, \cdots, 1)^T$。混合策略 $x \in \Delta$ 的支持集 $\sigma(x)$ 定义为以非零概率选择的元素的集合:$\sigma(x) = {i \in O | x_i > 0}$。

玩家选择元素 $i$ 对抗采用混合策略 $x$ 的玩家时的期望收益是 $(Ax) i = \sum_j a {ij}x_j$,因此采用混合策略 $y$ 对抗 $x$ 的期望收益是 $y^T Ax$。

混合策略 $x$ 的最佳回复是混合策略的集合 $\beta(x) = {y \in \Delta | y^T Ax = \max_z (z^T Ax)}$。如果策略 $x$ 是对自身的最佳回复,即 $\forall y \in \Delta, x^T Ax \geq y^T Ax$,则称 $x$ 是纳什均衡。

在这种形式化中,纳什均衡抽象了一个组的主要特征:内部同质性,即组内所有元素的高相互支持;以及外部异质性,即组内元素对不属于该组的元素的低支持。通过复制动态来找到均衡,也就是组,这是一种著名的自然选择过程的形式化。

该框架的主要特点包括:具有通用性,能够处理不对称以及负亲和力;不需要先验的簇数量知识,因为它本质上是一个多图形/背景区分过程;并且能够直接提供簇的凝聚性度量(以平均收益 $x^T Ax$ 的形式)以及元素对簇的参与度度量。实际上,值 $x_i$ 可以解释为元素 $i$ 对由稳定点 $x$ 定义的簇的参与程度。

提出的方法

采用类似EM的方法来解决发现形状类别和计算相应上下文相似性的相互关联问题。迭代地估计类别成员关系并最大化类别表示的参数。类别成员关系的期望通过采用分组博弈框架获得,然后使用新估计的成本系数,将相似性计算为断开骨架表示的编辑距离。

  • 发现形状类别
    • 定义形状类别为一个聚类博弈,训练集中的形状竞争类别成员资格。竞争结果由收益或效用矩阵 $A = (a_{ij})$ 决定,它表示形状 $i$ 与形状 $j$ 的相似性。初始时,这些收益简单对应于给定形状集合之间的相似性,通过 $a_{ij} = \exp\left(-\frac{(dist(i,j))^2}{\sigma^2}\right)$ 获得,其中 $\sigma$ 是缩放因子,$dist(i, j)$ 是形状 $i$ 和 $j$ 的断开骨架之间的树编辑距离。
    • 由于一开始没有类别信息,初始相似性是在没有任何上下文的情况下孤立计算的,因此 $A$ 是对称矩阵。但在后续迭代中,上一步发现的类别结构通过区分比较中形状的角色来影响相似性计算。此时,每行索引对应一个查询形状,每列索引是一个由上一次分组博弈分配了类别标签的形状(如果它未被发现为异常值),成本函数由第二个形状的类别上下文决定,从而得到一个不对称的相似性矩阵。
    • 给定收益矩阵 $A$,通过应用剥离策略提取形状类别。首先,从考虑所有形状的分组博弈开始,通过运行复制动态提取一个簇。然后,在剩余(未标记)形状的集合上定义一个新的博弈,并重复该过程,直到提取所有组。
    • 博弈论框架还提供了一种直接评估提取簇的凝聚性的方法。设 $S \in \mathcal{S}$ 是一个提取的组,$S$ 的凝聚性可以计算为其平均收益 $x_S^T Ax_S \in [0, 1]$。通过检查这些值,获得一个初始的连贯形状类别集合 $C (\subseteq \mathcal{S})$,它由 $x_S^T Ax_S > \zeta_1$ 的簇 $S \in \mathcal{S}$ 组成。这使我们能够丢弃不连贯的类别,从而增强提取过程的鲁棒性。
    • 收益信息还可用于为集合 $C$ 中的簇分配额外成员。为了计算形状 $i$ 与簇 $S$ 之间的相似性,使用加权相似性函数 $\gamma_S(i) = \frac{(Ax_S)_i}{x_S^T Ax_S}$。对每个未标记的形状 $i$ 评估此相似性度量,如果 $\gamma_S(i) \geq \zeta_2$,则将其分配给最相似的簇;否则,将其视为不属于任何提取类别的异常值形状。将未聚类对象分配到类别或异常值类的能力对泛化能力至关重要。需要注意的是,异常值类应解释为“不知道”标签,即该方法对该形状无法做出判断,而不是将其识别为在其他示例中未见过的新类别。
    • 在重新分配剩余元素后,重新检查在第一步阈值处理中被拒绝的组,检查它们在移除重新分配的元素后是否变得更连贯。使用滞后策略评估它们的凝聚性:接受 $|S| > 3$ 且平均收益 $x_S^T Ax_S > \zeta_3$($\zeta_3 < \zeta_1$)的组。这种滞后的目的是减少剥离策略引起的隐含尺度变化的影响,并提高对缩放因子 $\sigma$ 的鲁棒性。

以下是形状类别发现的流程:

graph TD
    A[初始化收益矩阵A] --> B[运行分组博弈提取第一个簇]
    B --> C{是否还有未标记形状}
    C -- 是 --> D[在剩余形状上定义新博弈]
    D --> B
    C -- 否 --> E[评估簇的凝聚性]
    E --> F[筛选出连贯的簇C]
    F --> G[为未标记形状计算与簇的相似性]
    G --> H{相似性是否大于阈值ζ2}
    H -- 是 --> I[分配到最相似的簇]
    H -- 否 --> J[标记为异常值]
    I --> K[重新检查被拒绝的组]
    J --> K
    K --> L[使用滞后策略确定最终类别]

综上所述,基于相异性的多实例学习方法为解决MIL问题提供了新的思路,而博弈论方法在形状类别无监督学习中展现出了良好的性能和潜力,能够有效处理形状相似性受上下文影响的问题,为相关领域的研究和应用提供了有价值的参考。

基于相异性的多实例学习与形状类别学习的博弈论方法

方法对比与性能分析

为了更直观地了解基于相异性的多实例学习方法以及博弈论方法在形状类别学习中的表现,我们将其与其他相关方法进行对比分析。

多实例学习方法对比

在多实例学习中,不同方法在图像检索数据集上的表现存在差异。以下是几种方法在部分数据集上的性能对比:
| 方法 | 数据集表现 |
| — | — |
| 线性核SVM及Fisher方法 | 在三个数据集中的两个表现优于专为MIL问题调整的SVM,表明考虑实例关系有益 |
| 专为MIL问题调整的SVM | 在某些数据集上表现不如线性核SVM及Fisher方法 |

线性分类器基于相异性表示在一些情况下优于MIL文献中的最佳结果,部分原因在于它“现成”应用,未对参数进行精细调整,如SVM的权衡参数C固定为1。若进行适当的正则化或降低相异性空间的维度,可能会取得更好的结果。

形状类别学习方法对比

传统的形状类别学习方法假设形状之间存在单一的通用相似性度量,而博弈论方法考虑了上下文信息,表现出更好的性能。
| 方法 | 特点 | 性能 |
| — | — | — |
| 传统方法 | 假设单一通用相似性度量,依赖度量属性 | 未充分考虑上下文,性能受限 |
| 博弈论方法 | 考虑上下文信息,解决“鸡和蛋”问题 | 在实验中优于不使用上下文信息的聚类方法,能提供与最先进的标签传播方法相当的相似性,且能提取类别 |

实验验证与结果

在实际应用中,对提出的方法进行了实验验证。

多实例学习实验

在公开可用的MIL数据集上,基于相异性表示的线性分类器实现了出色的分类准确率。实验表明,最小点集距离 $d_{min}$ 作为包相异性度量效果良好,原因是正实例分布比负实例更密集,使得包含正实例的包更易接近其他包含正实例的包。

形状类别学习实验

在包含1000个形状的数据库上进行实验,博弈论方法的表现如下:
- 聚类效果 :优于不使用上下文信息的聚类方法,能够提取出更连贯的形状类别。通过分组博弈和剥离策略,有效筛选出不连贯的类别,增强了提取过程的鲁棒性。
- 相似性计算 :提供的相似性与最先进的标签传播方法相当,但博弈论方法还能提取类别,而标签传播方法无法做到这一点。

以下是形状类别学习实验的流程:

graph TD
    A[准备1000个形状的数据库] --> B[初始化收益矩阵A]
    B --> C[运行分组博弈提取形状类别]
    C --> D[评估簇的凝聚性]
    D --> E[筛选连贯的类别]
    E --> F[计算形状与簇的相似性]
    F --> G{相似性是否达标}
    G -- 是 --> H[分配到相应类别]
    G -- 否 --> I[标记为异常值]
    H --> J[重新检查被拒绝的组]
    I --> J
    J --> K[确定最终形状类别]
    K --> L[与其他方法对比性能]
应用前景与挑战

这两种方法在各自领域都具有广阔的应用前景,但也面临一些挑战。

多实例学习方法
  • 应用前景 :可应用于图像检索、药物活性预测等领域,通过考虑实例关系提高分类准确率,为解决多实例问题提供新途径。
  • 挑战 :需要进一步研究如何进行更有效的正则化和维度降低,以提高方法性能。同时,对于不同类型的数据集,需要探索更合适的相异性度量。
形状类别学习方法
  • 应用前景 :在计算机视觉领域,可用于物体识别、图像分类等任务,能够更好地处理形状相似性受上下文影响的问题,提高识别和分类的准确性。
  • 挑战 :博弈论方法的计算复杂度相对较高,需要优化算法以提高效率。此外,对于大规模数据集,如何更有效地提取类别和计算相似性也是需要解决的问题。
总结

基于相异性的多实例学习方法和博弈论方法在形状类别学习中都具有重要意义。多实例学习方法通过考虑实例关系,利用相异性表示和线性分类器,在MIL问题上取得了良好的效果。博弈论方法则通过解决形状类别学习中的“鸡和蛋”问题,考虑上下文信息,在形状聚类和相似性计算方面表现出色。

未来的研究可以针对这两种方法的挑战进行深入探索,进一步优化算法,提高性能,使其在更多领域得到广泛应用。同时,可以结合其他技术,如深度学习,探索更强大的解决方案,推动机器学习和计算机视觉领域的发展。

传统机器学习实战:学习范式、算法家族与评估视角全解析 机器学习作为人工智能的核心技术,其本质是让计算机从数据中自动学习规律。其核心原理在于通过不同的学习范式(如监督学习、无监督学习)构建模型,以解决分类、回归、聚类等实际问题。这项技术的价值在于能够高效处理结构化数据,为业务决策提供数据驱动的预测与洞察,广泛应用于金融风控、推荐系统、工业预测等领域。本文聚焦于传统机器学习,系统阐述了其三大核心支柱:理解机器如何学习的不同范式、掌握包括线性模型、树模型、概率模型在内的核心算法家族,以及建立超越单一准确率的科学评估体系。通过结合监督学习与无监督学习等热词,旨在为读者 阅读详情

相关推荐

28、数据聚类可视化与分布形状展示

本文介绍了数据聚类与分布形状的多种可视化方法。在聚类可视化方面,探讨了ReClus图、数据图像及其典型应用,如Ling、Wegman和Minnotte等人的方法,并通过鸢尾花和主题数据集展示了层次聚类排序对图像结构的揭示作用。在分布形状可视化方面,系统阐述了频率直方图、密度直方图及其箱宽选择准则(如Sturges规则、Scott规则等),并介绍了箱线图、小提琴图、豆图、核密度估计和Q-Q图等多种图形工具,结合MATLAB代码示例说明其应用。最后提供了可视化方法的选择指南与分析流程,帮助读者全面理解数据分布特

nokia的博客 49

综述:基于内容的三维形状检索

第二章给出3D形状表示技术的综述。 第三章介绍形状相似度和匹配的概念。 第四章介绍相似度匹配和模型检索中的3D形状描述方法。 第五章介绍3D形状搜索引擎的整体结构及各部分子系统。 第六章给出3D形状检索系统的评价和性能描述。

wishchinYang的专栏 8325

4、基于相似度的学习方法详解

本博客详细介绍了基于相似度的学习方法,包括相似度学习的基本概念、有监督与无监督学习目标、优势及其在多个领域的应用。博客内容涵盖了最近邻方法(k-NN)、局部学习方法、核方法、聚类分析技术以及其他将相似度应用于分类和回归的方法。每种方法的特点、适用场景以及具体实现流程也被深入探讨,并通过实例展示了它们在实际问题中的应用效果。

juice的博客 91

漫谈:机器学习中距离和相似性度量方法

在机器学习和数据挖掘中,我们经常需要知道个体间差异的大小,进而评价个体的相似性和类别。最常见的是数据分析中的相关分析,数据挖掘中的分类和聚类算法,如 K 最近邻(KNN)和 K 均值(K-Means)等等。根据数据特性的不同,可以采用不同的度量方法。一般而言,定义一个距离函数 d(x,y), 需要满足下面几个准则: 1) d(x,x) = 0                    // 到自

liuyue2046的专栏 2035

35、聚类分析:原理、数据类型与应用

本文详细介绍了聚类分析的原理、常见数据类型及其相异度计算方法,以及聚类在实际应用中的多种场景。文章还讨论了聚类分析面临的挑战和未来发展方向,为读者提供了全面的聚类分析知识体系。

aa123的博客 94

30、库恩的概念与分类理论:从家族相似性到认知科学的验证

本文探讨了库恩的概念与分类理论,从维特根斯坦的家族相似性概念出发,结合心理学和认知科学的最新研究,分析了库恩理论的发展及其在多个领域的应用潜力。文章详细阐述了库恩如何通过实指教学和范式学习传递概念,讨论了不可通约性问题以及原型理论和框架模型对此的回应。此外,文章还探讨了库恩理论在教育、人工智能和社会学等领域的实际应用与启示。

k8l9m0n的博客 125

机器学习聚类算法Kmeans与DBSCAN

自己对两种聚类方法的一点理解。1. KMeans1.1 算法概述Kmeans是一种划分聚类的方法,基本K-Means算法的思想很简单,事先确定常数K,常数K意味着最终的聚类类别数,首先随机选定初始点为质心,并通过计算每一个样本与质心之间的相似度(这里为欧式距离),将样本点归到最相似的类中,接着,重新计算每个类的质心(即为类中心),重复这样的过程,直到质心不再改变,最终就确定了每个样本所属的类别以及...

weixin_37034647的博客 5636

AI人工智能核心算法原理与代码实例讲解:无监督学习

AI人工智能核心算法原理与代码实例讲解:无监督学习 作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 随着大数据

AI天才研究院 1670

多视图密集对应学习:细粒度3D分割的自监督革命

斯坦福大学视觉实验室提出的MvDeCor方法,通过多视图密集对应学习,自监督预训练2D网络,并将2D嵌入反投影到3D,实现了高精度的细粒度3D形状分割。该方法解决了3D模型标注数据稀缺和3D网络难以表达高分辨率细节的挑战,利用2D视觉先验技术,通过多视图渲染、密集对应采样、对比学习预训练、少量标注微调和多视图加权投票聚合等步骤,显著提升了少样本条件下的细粒度分割性能。实验验证显示,MvDeCor在PartNet数据集上的mIoU达到了35.9%,相对提升了4.0%。未来,该方法可进一步优化视图选择、融合3D

weixin_52603404的博客 1020

Python实现聚类算法:KMeans与DBSCAN详解与应用

聚类算法是无监督学习中的一种核心算法,它将数据集中的样本划分为若干个不相交的子集,即所谓的“簇”,使得簇内的点尽可能相似,而簇间的点尽量相异。这一过程不依赖于预先标注的类别信息,因此被广泛应用于数据挖掘、模式识别和图像分析等领域。scikit-learn是基于Python的开源机器学习库,它提供了简单而强大的工具,用于数据挖掘和数据分析。它的设计遵循了SciPy(Scientific Python)的生态系统,旨在与NumPy和SciPy紧密集成,以提高科学计算的效率和准确性。

weixin_29317963的博客 1640

Word标题样式基准重置:彻底解决重新打开后自动缩进问题

本文深入剖析了Word文档中标题样式在重新打开后自动缩进问题的根源,并提供了两种根治方案。通过调整标题样式基准或将其设为“无样式”,并配合检查修正多级列表设置,可彻底解决这一常见格式顽疾,确保文档格式的稳定性与专业性。

weixin_29266647的博客 533

图像检索-评价指标

每次在和图像检索方面的小伙伴们交流时,总有小伙伴会问一些很基础的问题,举个栗子,信息检索评价指标。为了加深自己对这些指标的理解,及避免再去重复回答这类问题,做些易于理解的笔记。     在该数据集当中完成完美的图像检索通常是十分困难的。 MPEG-7 数据集上的检索性能使用名为 Bulls-eye 测试分数来评估,即对于每一个检 索图像,计算出前 40 个检索结果属于检索图像类别的百分比...

JIN JI 2013.12.24 1564

统信UOS/麒麟ARM桌面版,不联网也能用Docker部署MySQL 5.7(离线部署详解)

本文详细介绍了在统信UOS/银河麒麟ARM桌面版系统中,如何离线部署MySQL 5.7的完整流程。通过Docker技术实现环境隔离和依赖封装,解决了封闭网络环境下的部署难题,包括资源准备、系统配置、容器化部署及安全加固等关键步骤,为政企和科研场景提供实用解决方案。

weixin_30892037的博客 230

机器学习中无监督学习方法的聚类:划分式聚类、层次聚类、密度聚类

不同算法、参数设置可能导致不同聚类结果。聚类效果高度依赖输入特征的质量,需通过数据预处理(如标准化、降维)提升特征有效性。无监督场景下可使用轮廓系数(Silhouette Score)、Calinski-Harabasz 指数等评估簇的紧凑性和分离度;有监督场景下可对比聚类标签与真实标签的一致性(如兰德指数)。

qq_55433305的博客 2069

别再只会regress了!用Stata的csdid命令搞定多期DID的完整实操指南

本文详细介绍了如何在Stata中使用csdid命令进行多期DID分析,解决传统DID方法在交错处理场景下的局限性。通过完整的实操指南,包括环境搭建、核心语法、结果解读和高阶应用,帮助研究者更准确地评估政策效果,适用于计量经济学和实证研究领域。

weixin_30236595的博客 582

Vcenter虚拟机磁盘转换实战:如何用StarWind V2V将vmdk转为qcow2(附空间优化技巧)

本文详细介绍了如何使用StarWind V2V Converter将Vcenter中的vmdk虚拟机磁盘高效转换为qcow2格式,并提供了空间优化技巧。从准备工作、导出vmdk文件到转换过程中的性能调优,帮助管理员在迁移虚拟机时减少资源消耗,确保数据完整性和性能。

dell8的博客 204

【机器学习】聚类方法

1. 聚类和分类的区别 数据分类是分析已有的数据,寻找其共同的属性,并根据分类模型将这些数据划分成不同的类别,这些数据赋予类标号。这些类别是事先定义好的,并且类别数是已知的。相反,数据聚类则是将本没有类别参考的数据进行分析并划分为不同的组,即从这些数据导出类标号。聚类分析本身则是根据数据来发掘数据对象及其关系信息,并将这些数据分组。每个组内的对象之间是相似的,而各个组间的对象是不相关的。不难理解...

笑扬轩逸的博客 1237

CircuitBreaker Resilience4J 介绍

在分布式环境中,我们的应用可能会面临着各种各样的可恢复的异常(比如超时,网络环境异常),此时我们可以利用不断重试的方式来从异常中恢复(Retry Pattern),使整个集群正常运行。然而,也有一些异常比较顽固,突然发生,无法预测,而且很难恢复,并且还会导致级联失败(举个例子,假设一个服务集群的负载非常高,如果这时候集群的一部分挂掉了,还占了很大一部分资源,整个集群都有可能遭殃)。如果我们这时还是不断进行重试的话,结果大多都是失败的。

zzhongcy的专栏 3543

聚类分析方法的研究与应用综述

聚类分析方法的研究与应用综述 417109070529 李蓉珊 河北地质大学信息工程学院软件工程2017级503班 石家庄 050031 摘要:聚类分析是一种研究如何将相似的事物归为一类,使得组内对象相似,组间对象不同.是研究(样品或指标)分类问题的一种统计分析方法,是数据挖掘的一个重要算法。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集(subset),这样让在同一个子集中的成员对象都有相似的一些属性。大数据时代,聚类这种无监督学习的算法地位尤为突出。本文章首先介绍聚类分析的基本原理

weixin_43233174的博客 7232

亚马逊爬虫实战:中国商家信息(电话)爬取

import os), # 保存图片的路径# 搜索关键词"keywords":["毛巾","衣服"],"product_number": 1000000000000000, # 分页获取数量# 和url一一对应 个数要一样"remarks": ["备注1"],# 以下内容非专业人员请勿更改,请找开发人员更改. 对应的是amazon_product_url_setting文件中名称.},

youbingchen的博客 1526

Vue3 - 详细实现接入使用海康威视监控云端显示及控制功能,网站集成安装海康监控及实时监控显示、回放、放大缩小画面、视频画面截图、截屏抓拍、摄像头控制,实时推流及播放器解决延迟卡顿等问题(详细代码)

vue3,nuxt3,海康威视,海康监控,摄像头监控,实时监控画面,海康插件,视频播放,回放,视频流地址,取流协议,视频sdk播放,hik,rtsp,rtmp,hls,ws,网站,网页,h5页面,后台管理系统,vue3对接海康监控设备,无法连接,报错,vue3对接海康处理接口认证规则,监控实时预览和回放功能,海康api接口,安全认证,海康开放平台,官方文档,播放海康摄像头的监控视频,海康实时监控播放详细步骤,web,黑屏,特别卡不流畅怎么办,解决无法推流,录像,连接不上,vue3,海康,vue海康视频监控,

🏆 前端领域优质创作者 1万+

山东大学软件学院2022年6月17日数据可视化期末考试回忆版(考题及答案)(全)

山东大学软件学院2022年6月17日数据可视化期末考试回忆版(考题及答案)(全)(LiuNing老师)

南河的南的博客 6750

YOLOv8 骨骼结构识别详细说明

YOLOv8骨骼结构识别是一种基于深度学习技术的医学影像分析方法,主要用于X光、CT等影像中的骨骼定位与识别。该系统具有多骨骼同步识别能力,可应用于手部、脊柱、骨盆等不同部位,并能精确定位骨骼关键点。技术实现包括数据预处理、模型训练、推理检测、关键点分析和批量处理五个核心模块,支持骨折检测、骨龄评估等临床应用。该系统需注意医学合规性,要求高质量标注数据,并针对骨骼影像特点进行特征工程优化,同时考虑不同设备的部署需求。

u010117029的博客 334

聚类分析(文末送书)_划分聚类方法对数据集进行聚类时包含三个要点

本书是获得了很多读者好评的Linux经典畅销书**《Linux从入门到精通》的第2版**。本书第﹖版以最新的Ubuntu 12.04为版本,循序渐进地向读者介绍了Linux 的基础应用、系统管理、网络应用、娱乐和办公、程序开发、服务器配置、系统安全等。聚类分析是一种寻找数据之间内在结构的技术,将数据对象的集合分组为由类似的对象组成的多个类的分析过程。聚类技术通常又被称为无监督学习,与监督学习不同的是,在簇中那些表示数据类别的分类或者分组信息是没有的。②将每个类簇中的平均值作为度量基准,重新分配数据库中的。

m0_60147147的博客 1013

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

数据挖掘Part 3 聚类分析

度量数据的相似性与相异性

暖阳Shine 850

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

k均值聚类算法

K-means聚类算法  一、K-means聚类原理 1.1 聚类算法的原理           我们经常接触到的聚类分析,一般都是数值聚类,一种常见的做法是同时提取 N 种特征,将它们放在一起组成一个 N 维向量,从而得到一个从原始数据集合到 N 维向量空间的映射——总是需要显式地或者隐式地完成这样一个过程,然后基于某种规则进行分类,在该规则下,同组分类具有最大的相似性。

小鬼柯南 2498

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: 34、实验室反讽言语中的手势与韵律结构及朗读语音中吸气声学特征研究
下一篇: 12、利用Vertex AI进行定制化机器学习模型训练与可解释性分析
gitlab7runner
博客等级 码龄4年 78粉丝 1747原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值