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

收藏 76
深入解密 K 均值聚类：从理论基础到 Python 实践 K 均值聚类是一种基于质心的聚类算法，它通过反复迭代的方式将数据点分配到 K 个聚类中。每个质心代表一个聚类的中心位置，算法会不断调整质心的位置，直到满足一定的收敛条件。K 均值聚类的目标是最小化每个聚类内部所有点到其质心的距离之和。具体来说，K 均值聚类的步骤可以概括如下：随机选择 K 个初始质心。将每个数据点分配到离它最近的质心所在的聚类。重新计算每个聚类的质心，即对聚类中的所有数据点取平均值。重复步骤 2 和 3，直到质心的位置不再发生变化，或者达到预设的迭代次数。

阅读 7.4k

103赞

收藏 95
基于Canopy聚类的分块方法：从生活化例子到数学公式 Canopy分块方法是一种高效的大数据预聚类技术，通过两个距离阈值（T1>T2）将数据快速划分为可重叠的子集。算法流程包括随机选中心点、计算距离、阈值分类和迭代处理，最终生成多个Canopy。其优势在于无需预设簇数、计算成本低且能作为K-means的预处理步骤，但存在精度较低和阈值选择困难等缺点。典型应用场景包括用户行为分析和文本分类等大数据处理领域，常与K-means结合使用以提高聚类效率。未来可能结合深度学习优化阈值选择并拓展到物联网等新兴领域。

阅读 1.1k

40赞

收藏 14
DAY 21 推断聚类后簇的类型 零基础先掌握「先选特征」思路，因为它依赖业务经验，步骤简单，解读直接。两种思路的核心都是「通过簇内特征的统计值（均值）结合业务逻辑解读」，区别只是 “选特征的时机”。代码可以直接复制运行，遇到报错先看 “常见错误 & 解决方案”，再不行就检查库是否安装（Mac OS 终端运行pip list查看）。通过可视化图形借助 ai 定义簇的含义下面通过4 类核心可视化图形（PCA 降维散点图、簇特征热力图、箱线图、雷达图），结合电商用户聚类案例，手把手教你从图形中提取特征差异，精准定义簇含义。

阅读 1.4k

29赞

收藏 18
基于人脸分割的稀疏子空间聚类：SSC_ADMM_v1.1代码解析 在机器学习的众多领域中，数据聚类一直是一个核心问题。稀疏子空间聚类（Sparse Subspace Clustering, SSC）方法，作为一种先进的聚类算法，近年来越来越受到关注。SSC的核心理念在于利用数据样本的内在低维结构，通过引入稀疏性约束，实现对高维数据的有效聚类分析。本章将从以下几个方面对SSC进行详细介绍：SSC的基本概念：介绍SSC的历史背景、定义及其核心思想。理论基础：探讨SSC算法背后的数学理论，包括稀疏表示和子空间概念。数据聚类中的重要性。

阅读 821

19赞

收藏 26
深入理解多视图聚类技术及其应用 htmltable {th, td {th {pre {简介：多视图聚类技术是一种用于处理多源数据集的先进聚类方法，通过整合不同视图的信息来提升聚类的准确性和稳定性。该技术在社交网络分析、生物信息学、推荐系统和文本分类等领域具有广泛的应用前景。本课程设计将重点讲解多视图聚类的基础知识和关键算法，以及如何将K-Means等传统单视图聚类方法扩展到多视图场景。通过对实际案例，如青蛙声音数据集的分析，学生将掌握如何运用多视图聚类技术解决现实问题，并提高对数据结构的深入理解。

阅读 1.1k

30赞

收藏 15
聚类的神奇秘籍：如何选择最适合的聚类算法 1.背景介绍聚类分析是一种常用的数据挖掘方法，主要用于将数据集划分为多个组，使得同组内的数据点相似度高，同组间的数据点相似度低。聚类分析在各个领域都有广泛的应用，例如生物信息学、金融、电子商务等。聚类分析的主要目标是找到数据集中的潜在结构，以便更好地理解数据和发现隐藏的模式。聚类分析可以帮助我们解决许多实际问题，例如：市场分析：根据消费者的购买行为将他们分为不同的群体，以便更有针对性...

阅读 1.1k

7赞

收藏 20
分类、聚类、关联规则、序列挖掘全解析：四大核心任务工程化落地 数据挖掘四大核心任务——分类、聚类、关联规则、序列挖掘，在真实项目中具有极高频的工程应用价值。不同于通用算法介绍，本篇从工程任务视角出发，系统拆解这四类任务的算法结构、输入要求、特征处理路径、工程部署结构与常见应用场景，并提供完整可运行的代码方案与模块封装方式。以分类模型在用户转化预测、聚类用于客户分群、关联规则用于商品搭售、序列挖掘用于行为模式预测为实例，讲解从数据结构到算法落地的完整路径，助力构建高效可控的数据挖掘系统能力。

阅读 1.2k

41赞

收藏 28
【Leach和Eammh协议性能比较】低能耗自适应聚类层次路由协议和能量感知多跳多路径层次路由协议比较研究（Matlab代码实现） LEACH（低能耗自适应聚类层次路由协议）核心机制：通过动态选举簇头节点，将网络能量负载平均分配至所有节点。每轮分为簇建立阶段（随机选举簇头并广播通告）和稳定传输阶段（簇内节点按TDMA时隙发送数据至簇头，簇头融合后单跳传输至基站）。特点分布式成簇技术，无需中心控制节点，鲁棒性强。簇头轮换机制避免单节点过早死亡，延长网络生命周期。假设所有节点能量和计算能力相同，未考虑节点异质性。簇头单跳传输至基站，远距离通信能耗高。EAMMH（能量感知多跳多路径层次路由协议）核心机制。

阅读 1.1k

21赞

收藏 28
AI人工智能领域聚类的多视图聚类算法详解 标题：多视图聚类算法详解：理论框架、架构设计与实践应用关键词：多视图聚类；信息融合；协同训练；子空间学习；深度聚类；视图异质性；聚类评估摘要：多视图聚类（Multi-View Clustering, MVC）是人工智能领域针对多源数据表示的核心技术，旨在通过融合多个视图的互补信息，解决单一视图的局限性（如信息不完整、噪声敏感），提升聚类性能。本文从第一性原理出发，系统拆解多视图聚类的理论基础、架构设计与实现机制，覆盖从传统协同训练到深度子空间学习的全谱系方法。通过层次化解释（专家→中级→入门）、数学形式

阅读 854

14赞

收藏 23
聚类_K均值 【代码】聚类_K均值

阅读 526

1赞

收藏 1
作者推荐
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
星霜旅人
鼠鼠是大连理工大学一名大二学生。
关注