聚类_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

【机器学习12】无监督学习：K-均值聚类与异常检测本文标志着我们从监督学习迈向无监督学习。文章首先详细介绍了无监督学习的核心任务——聚类，并深入剖析了最经典的K-均值（K-means）算法，包括其迭代步骤、优化目标（失真函数）以及在实践中如何选择聚类数量K。随后，文章转向了无监督学习的另一大应用——异常检测，阐述了其基于密度估计的核心思想，并详细介绍了一种基于高斯分布的异常检测算法的实现与评估方法。

阅读 1.1k

10赞

Annals of Neurology | EEG‘藏宝图’：用于脑电分类、聚类与预测的语义化低维流形摘要目标：由于病因和病理生理学的异质性，以及由此导致的脑电图(EEG)高度可变性，意识障碍(DOCs)患者的预后评估仍然具有挑战性。在这里，本研究利用易于表征的EEG模式构建了一个潜在映射，将新的EEG数据定位在一个连续谱上。本研究通过以心脏骤停后预后作为首个应用案例，评估该映射作为一种通用工具从长程EEG中提取具有预后价值信息的能力。方法：在健康-疾病连续体中可分类的EEG(包括清醒[W]、睡眠[快速眼动(REM)、非快速眼动(N1、N2、N3)]、发作期-发作间期连续体[单侧和广泛性周期性放电(LPD、

阅读 1.1k

20赞

以山河作礼。

【机器学习】15.深度聚类（Deep Clustering）原理讲解与实战深度聚类（Deep Clustering）是 2025 年工业界落地最迅猛的无监督技术之一。它把「表示学习」与「聚类」两个任务放在同一个神经网络里联合优化，让网络自己学出「适合聚类」的特征，再用 K-means 等经典算法完成分组。相比传统 K-means 直接在高维原始数据上迭代，深度聚类把维度灾难、噪声冗余、线性不可分等问题一次性打包解决。

阅读 3.5k

30赞

如何快速掌握ImageSharp图像分割算法：基于K-means的色彩聚类完整指南 ImageSharp作为.NET平台上的现代跨平台2D图形库，在图像处理领域提供了强大的图像分割算法支持。其中基于K-means的色彩聚类实现是最常用且高效的图像分割技术之一，能够帮助开发者快速实现智能图像分析功能。## 🔍 什么是ImageSharp图像分割算法？ImageSharp图像分割算法通过分析图像像素的色彩特征，将相似的像素区域自动分组，实现图像内容的智能识别和分离。基于K-

阅读 850

19赞

Python_金钱豹

具身智能“元年”的真相！三大关键词“场景、数据、量产”，看懂这篇，就看懂了下一个万亿市场！ 2025年，具身智能正式迈入产业化爆发期，从实验室加速走向真实应用场景。这一领域的发展不再仅停留在技术突破层面，而是通过"场景、数据、量产"三大关键词的深度交融，真正展现出其产业价值与市场潜力。AGI星云工厂（龙魂星云（成都）存储科技有限责任公司）基于实践，从以下方面谈论。

阅读 1k

39赞

【机器学习-无监督学习】聚类本文主要介绍了k均值聚类算法和其改进版k-means++，并动手实现了k均值算法。然后学会使用sklearn中的Kmeans算法、层次聚类算法和DBSCAN算法。

阅读 3.8k

80赞

一个处女座的程序猿

AI：新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)，一场耗时5+3年的技术沉淀—“代码可跑，经验可抄”—【一个处女座的程序猿】携两本AI AI：新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)，一场耗时5+3年的技术沉淀—“代码可跑，经验可抄”—【一个处女座的程序猿】携两本AI实战书终于正式来了！目录相关文章一、写书背景二、新书内容速览：理论+实战+前沿，直击AI学习痛点三、新书上市 & 读者专属福利四、结尾相关文章LLMs：LLM一天，人间一年—2024年度大模型技术三+四大趋势梳理(数据/算法/算力+

阅读 2.3w

91赞

78、图像数据与制造质量数据挖掘：聚类与控制图表的应用本博客探讨了图像数据和制造质量数据的挖掘方法及其应用。在图像数据挖掘部分，介绍了基于小波变换的特征提取与降维方法，并通过聚类分析对图像进行有效组织，同时评估了不同小波类型和参数对聚类效果的影响。在制造质量数据挖掘部分，重点分析了Hotelling’s T²控制图表和MEWMA多元控制图表在质量监控中的应用，比较了其在不同场景下的性能，并探讨了MEWMA图表的非参数扩展形式。最后总结了两种数据挖掘方法的特点与未来发展方向，为图像分析与制造质量控制提供了理论支持与实践参考。

阅读 78

0赞

新能源汽车研发＆测试入门指南

融合聚类与分类的退役锂电智能分选技术：助力新能源汽车产业可持续发展本研究通过融合先进信号处理技术与机器学习算法，为退役动力电池的高效分选提供了创新解决方案。这不仅是新能源汽车产业链绿色闭环的关键环节，更是实现"双碳"战略目标的微观实践。期待与业界同仁共同推动电池回收技术的持续进步！

阅读 2.3k

81赞

YongCheng_Liang

12306 自动抢票脚本全解析：从模块拆解到实战应用本文详细解析了基于Selenium的12306自动抢票脚本实现原理，涵盖核心模块功能、代码逻辑及优化方向。脚本通过浏览器自动化模拟人工操作流程，包括登录验证、信息填写、车票预订等环节，并针对反爬机制进行了规避处理。文章指出了现有脚本在车次筛选、重试机制等方面的局限性，提出了增加车次筛选功能和循环抢票逻辑的优化方案，同时强调需注意操作频率控制、定位规则更新等实战安全事项。该技术解析为理解自动化抢票原理提供了参考，但需注意遵守平台使用规范。

阅读 584

10赞

Day18 推断聚类后簇的类型如你想聚类消费者购买习惯，那么他过去的消费记录、购买记录、购买金额等等，这些特征都与消费者购买习惯有关，你可以使用这些特征来确定簇含义，一些其他的特征，如消费者年龄，工作行业则不考虑。- 对于分类模型（如 RandomForestClassifier）， shap_values 是列表，长度等于类别数，每个元素是形状为 (样本数, 特征数) 的数组。现在需要给这个簇赋予实际的含义，一般当你赋予实际含义的时候，你需要根据某几个特征来赋予，但是源数据特征很多，如何选择特征呢？

阅读 732

25赞

【数据科学家私藏技法】：利用silhouette系数选出最优聚类数掌握最优聚类数选择方法，解决K-means等算法中聚类数量难定问题。通过cluster包计算silhouette系数，结合实际案例解析评估指标，帮助快速定位最佳聚类结构，提升模型效果。方法简单高效，适用于各类数据挖掘场景，值得收藏。

阅读 822

11赞

【R语言聚类分析实战宝典】：手把手教你用cluster包实现K-means并应用肘部法优化聚类数掌握R语言聚类分析核心技巧，手把手教你使用cluster包实现k-means聚类并应用肘部法优化聚类数。涵盖实际数据场景、算法原理与R代码实现，提升数据分群准确性与效率，方法实用且易于复现，值得收藏。

阅读 870

21赞

【机器学习】深入无监督学习分裂型层次聚类的原理、算法结构与数学基础全方位解读，深度揭示其如何在数据空间中构建层次化聚类结构这个代码展示了如何通过K-means聚类方法实现分裂型层次聚类。每次分裂都是基于当前簇的质心，通过最小化误差平方和（SSE）来划分成两个子簇。你可以通过调整参数来控制分裂的停止条件，进而决定最终聚类的数量。

阅读 2.9k

134赞

数据标注中的归类与定义，从聚类，相关，关联，回归四个方面分析外，还可以结合**主动学习（Active Learning）、数据增强（Data Augmentation）、自监督学习（Self-Supervised Learning）、合成数据（Synthetic Data）**等技术，以进一步优化数据标注质量，提高 AI 训练的效率和准确性。未来，AI 训练数据的标注将更加自动化、智能化，AI 训练师需要不断提升技能，以优化 AI 训练数据质量，推动 AI 发展！，通过选择最“有价值”的数据进行人工标注，从而提高 AI 训练数据的质量。，增加数据集的多样性。

阅读 1.2k

31赞

程序员光剑

坐标下降法在数据挖掘中的应用：聚类与推荐系统 1.背景介绍坐标下降法(Gradient Descent)是一种常用的优化算法，主要用于最小化一个函数在给定域内的值。它通过不断地沿着梯度下降方向更新参数，以逼近函数的最小值。这种方法在机器学习和数据挖掘领域具有广泛的应用，例如在神经网络训练、逻辑回归、支持向量机等方面。在本文中，我们将讨论坐标下降法在聚类和推荐系统中的应用，并详细讲解其原理、算法步骤和数学模型。2.核心概念与联系2....

阅读 1.1k

18赞

模拟退火算法求解聚类问题python代码示例摘要：本文介绍了模拟退火算法在模糊C-均值聚类(FCM)问题中的应用。模拟退火是一种基于热力学退火过程的智能优化算法，能够有效避免传统FCM算法对初始值敏感的缺点。文章首先概述了智能优化算法和模拟退火原理，然后详细描述了聚类问题和FCM算法特点。针对400个二维数据点的4类聚类问题，提供了完整的Python实现代码，包括数据生成、目标函数计算、遗传算法交叉变异等关键步骤，展示了如何结合智能算法提高聚类效果。该方案适用于需要全局优化的组合问题求解。

阅读 1.2k

18赞

白日梦想家L_

基于InsightFace和DBSCAN的智能人脸聚类系统实现(含代码）采用InsightFace进行人脸特征提取，结合DBSCAN聚类算法实现人脸自动分类。系统包含FTP下载、特征提取、聚类分析和可视化报告等模块，支持增量处理和断点续传。

阅读 740

14赞

小熊科研路（同名GZH）

【聚类算法】高斯混合聚类(GMM)算法（Matlab源代码，聚类结果可视化）高斯混合聚类(GMM)是一种聚类算法，可以用来对数据进行分类。GMM算法假设数据点是由一个或多个高斯分布生成的，并通过最大似然估计的方法来估计每个簇的高斯分布的参数。在实际应用中，GMM聚类算法可以用于许多领域。例如，使用GMM聚类算法对人脸图像进行聚类，以便更加准确地识别不同的人脸。使用GMM聚类算法对音频信号进行聚类，以便更加准确地识别语音。

阅读 2.6k

31赞

滕骅照Fitzgerald

cuML中的批量处理：多模型并行推理实现 cuML作为RAPIDS生态系统中的机器学习库，为GPU加速的机器学习任务提供了强大的批量处理能力。通过并行处理多个模型和数据批次，cuML能够显著提升推理效率，特别适合处理大规模数据集和实时预测场景。## 批量处理的核心优势cuML的批量处理功能主要体现在以下几个方面：- **并行计算**：利用GPU的并行架构，同时处理多个模型或数据批次- **内存优化**：通过批处理减少内存分配

阅读 478

18赞

没有梦想的咸鱼185-1037-1663

跟着Nature学作图丨技术路线图、GIF动、散点图、韦恩图、upset图、生存曲线图、漏斗图、环形图、瀑布图、条形图、面积图、热力图、聚类热图、相关矩阵图等跟着Nature学作图丨技术路线图、GIF动、散点图、韦恩图、upset图、生存曲线图、漏斗图、环形图、瀑布图、条形图、面积图、热力图、聚类热图、相关矩阵图等（顶刊级科研绘图工坊暨AI支持下Nature级数据可视化）

阅读 1.2k

13赞

程序员光剑

深度学习的无监督学习：从聚类到降维 1.背景介绍深度学习是人工智能领域的一个重要分支，它旨在通过模拟人类大脑中的学习过程来自动化地学习和预测。无监督学习是深度学习的一个重要分支，它旨在通过从未标记的数据中发现模式和结构来自动化地学习。在这篇文章中，我们将讨论深度学习的无监督学习，从聚类到降维。无监督学习是一种通过从未标记的数据中发现模式和结构来自动化地学习的方法。它主要用于处理大量、高维、不规则的数据，如图像、文本、声音等。...

阅读 1.4k

20赞

作者推荐

星霜旅人: 鼠鼠是大连理工大学一名大二学生。

关注

以山河作礼。: Python新星创作者，新星计划导师，优快云博客专家，优快云实力新星，优快云内容合伙人，阿里云社区专家博主，我的专业领域是 Python 编程，熟练掌握爬虫技术。此外，我还计划学习数据分析和全栈开发等领域的知识，以便能够更好地掌握整个开发过程。在我的博客中，你可以找到我的最新项目和技术分享，也可以与我交流和讨论编程相关的话题。谢谢你的光临！

关注