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
2.1k累计阅读
2.2k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
# 导包
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.cluster import KMeans
from sklearn.mixture import GaussianMixture
# 设置matplotlib中字体
plt.rcParams['font.family']='KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size']=15
<基于GMM的数据生成方法详解与Matlab实现
在数据科学和工程实践中，我们常面临样本量不足或类别不均衡的问题，此时需要按已有分布生成新样本。概率模型中的高斯混合模型（GMM）正是解决这类需求的核心工具之一。它通过将多个高斯分量按比例混合，可以灵活逼近任意复杂的连续分布，原理简单而强大。使用EM算法估计参数后，GMM便能快速生成大量独立样本，具备可解释性强、计算成本低的优势。该方法广泛应用于数据增强、仿真模拟、异常检测和缺失值填补等场景。本文围绕GMM从原理到实现的完整流程，结合Matlab代码给出参数估计、数据生成和分布验证的实践方案，帮助读者快速上手
Python贝叶斯高斯混合模型GMM聚类分析数据和混合密度可视化
全文链接 :https://tecdat.cn/?p=33821混合模型是另一种生成模型，它将数据点的分布建模为多个单独分布的组合（"混合"）（点击文末“阅读原文”获取完整代码数据）。相关视频客户常见的混合模型类型是高斯混合模型，其中数据生成分布被建模为多个高斯分布的组合。import numpy as np import matplotlib.pyplot as plt下面是通过三个二维高斯分布...
Kmeans聚类实战：从原理到可视化全解析
聚类分析是机器学习中经典的无监督学习技术，通过将相似数据点分组来发现数据内在结构。Kmeans算法作为最常用的聚类方法，其核心原理是通过迭代优化寻找簇中心，最小化簇内平方和。在实际应用中，确定最佳聚类数和结果可视化是关键挑战，常用肘部法则和轮廓系数进行评估。本文结合电商用户分群案例，详细演示如何使用Python的sklearn库实现Kmeans聚类，包括数据预处理、最佳K值选择和二维散点图可视化等完整流程，特别分享处理初始质心敏感性和高维数据聚类的实用技巧。
高斯混合模型(GMM) vs K-Means：5个数据集实测对比与选型指南
当需要可解释性时，K-Means的简单性可能是优势；而当数据具有复杂分布时，GMM的概率解释能力往往能提供更有价值的洞察。当面对无标签数据集时，如何选择最合适的聚类算法？本文将通过5种典型数据分布的对比实验，揭示高斯混合模型与K-Means的核心差异，并提供一套可落地的选型决策框架。注：n=样本量，k=簇数，t=迭代次数，d=特征维度。GMM的协方差矩阵可自动适应簇的方向性。生成5类具有不同特征的数据集，并使用。：簇间离散度与簇内离散度的比值。：衡量簇内紧密度与簇间分离度。
Python实战：用sklearn的KMeans算法快速找到数据集的质心（附完整代码）
本文详细介绍了如何使用Python的sklearn库中的KMeans算法快速找到数据集的质心。通过完整的代码示例和步骤解析，帮助读者掌握KMeans算法的核心原理、实现方法及优化技巧，适用于电商用户分群、图像处理等多种场景。
K-means vs GMM：聚类算法选型指南（含概率分布可视化对比）
本文深入对比K-means与高斯混合模型（GMM）在聚类任务中的核心差异，通过可视化分析和Python实战演示，帮助数据科学家根据数据特性选择最佳算法。重点解析硬聚类与软聚类的本质区别，提供选型决策树和关键验证指标，适用于客户分群、图像分割等场景。
EM聚类原理与实战：从高斯混合模型到软划分应用
高斯混合模型（GMM）是概率聚类的核心方法，其本质是用多个高斯分布对数据进行联合建模，实现软划分而非硬分割。EM算法通过E步（期望）估计隐变量后验概率、M步（最大化）更新分布参数，在‘和的对数’不可导约束下提供稳定迭代解。相比K-Means的确定性划分，GMM输出归属概率，天然支持模糊边界场景——如客户分群中的混合行为识别、图像像素的多成分归属、语音音素的连续过渡建模。该技术广泛应用于Scikit-learn的GaussianMixture、异常检测预处理及模型可解释性增强，是数据科学家处理不确定性数据的关
Kmeans++、高斯混合、DBSCAN、层次聚类：用Python代码搞定你的‘非球形’数据聚类难题
本文深入探讨了四种针对非球形数据聚类的Python算法：Kmeans++、高斯混合模型、DBSCAN和层次聚类。通过代码实现和可视化对比，帮助读者掌握如何根据数据特征选择合适的聚类方法，解决月牙形、环形等复杂数据分布的聚类难题，提升数据分析效果。
数学建模竞赛必备：聚类分析算法选型与实战全流程解析
聚类分析作为无监督学习的核心技术，旨在根据数据内在相似性自动发现其自然分组结构，无需预先定义类别标签。其核心原理在于通过距离或密度度量，将数据点划分到不同的簇中，以实现“物以类聚”。这项技术的核心价值在于能够从海量、高维数据中客观揭示隐藏模式，为后续分析提供坚实基础。在工程实践中，聚类分析广泛应用于客户细分、异常检测、图像分割及生物信息学等多个领域。针对数学建模竞赛中常见的高维数据处理挑战，本文深入探讨了K-Means、DBSCAN等核心算法的适用场景与实战技巧，并系统梳理了从数据预处理、最佳簇数确定到结果
K-means聚类算法实战：原理、实现与可视化全解析
聚类分析是机器学习中的基础技术，通过将相似数据分组揭示数据内在结构。K-means作为最常用的聚类算法，基于距离度量实现数据自动分组，其核心是通过迭代优化寻找最佳聚类中心。算法优势在于实现简单、计算高效，特别适合大规模数据集处理。在实际应用中，数据标准化、最佳聚类数确定和结果评估是关键环节，常用的手肘法和轮廓系数法能有效解决这些问题。K-means广泛应用于客户分群、图像分割、异常检测等场景，结合Python的scikit-learn库和可视化工具，可以快速实现从数据预处理到结果展示的全流程。本文以鸢尾花数
客户数据分析：使用K-Means和高斯混合模型聚类算法
K-Means算法是一种基于距离计算的聚类方法。在该算法中，我们首先需确定聚类数K，随后按照距离的远近将数据划分到不同的簇中。下面是使用Python实现K-Means算法的代码片段。针对客户数据分析，我们即可使用K-Means算法，也可以采用更加复杂的GMM算法对待分析数据进行聚类。在该算法中，我们假设每个簇是由多个高斯分布组成的，然后根据数据点所属高斯分布的后验概率，将其划分到不同的簇中。通过以上两种算法，我们可以对客户数据进行深入分析，并且依照不同情况采用不同的算法来实现更好的结果。
使用高斯混合模型进行聚类实现（Python）
而对于实际问题，我们需要通过一定的方法来确定最佳的聚类数目，常见的方法包括 BIC 和 AIC 等。对于不同的算法和方法，其具体的实现细节和效果也会有所不同，因此需要根据具体情况来进行选择。至此，我们已经完成了使用高斯混合模型进行聚类的实践，并提供了相应的 Python 代码。在实际问题中，我们可以根据具体情况来选用不同的算法和方法，来实现更加精准有效的数据聚类。在机器学习领域中，聚类是一种常见的无监督学习方法，它可以根据数据特征将数据划分成不同的组别。使用高斯混合模型进行聚类实现（Python）
K均值聚类（KMeans）、可视化选取最佳K值、通过TSNE进行结果可视化分析、抽取核心特征因子
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。 k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后
化学分子 降维算法umap、聚类算法hdbscan和kmeans
参考： https://github.com/iwatobipen/chemo_info/blob/master/chemicalspace2/HDBSCAN_Chemoinfo.ipynbhttps://www.cnblogs.com/liulunyang/p/14275612.html 代码： 这是聚类0中心的数据展示 这是聚类20中心的数据展示
数据处理和分析之数据聚类：K-means聚类：数据可视化基础
聚类算法是一种无监督学习方法，用于将数据集中的数据点分组到不同的簇(cluster)中，使得同一簇内的数据点彼此相似，而不同簇之间的数据点差异较大。这种相似性通常基于数据点之间的距离度量。聚类的目标是发现数据的内在结构，从而对数据进行分类或分组，这对于数据探索、模式识别和数据压缩等任务非常有用。
gmm的matlab代码-gmm-clustering:用于高斯混合模型聚类的EM算法的简单可视化
gmm的matlab代码gmm聚类 简单可视化如何将EM算法用于高斯混合模型聚类。 您将需要使用matlab来运行代码。 修改datapath变量以使用另一个数据集，并修改变量K更改群集数。 特色作品： 交互式绘图，您可以在其中选择分布以生成数据
Cesium实战：如何在前端直接渲染TIFF影像（附完整代码与避坑指南）
本文详细介绍了如何在前端利用Cesium直接加载和渲染TIFF影像的完整技术方案。针对TIFF格式的地理影像数据，文章提供了从文件解析、坐标转换到像素处理与Cesium集成的全流程代码实现，并分享了性能优化与常见问题的避坑指南，帮助开发者高效实现三维地理可视化。
SGM5860x高精度ADC驱动开发与SPI接口实战指南
本文详细介绍了SGM5860x高精度ADC芯片的驱动开发与SPI接口配置实战。内容涵盖芯片特性、SPI通信设置、寄存器映射、驱动初始化、数据采集处理、校准优化及调试技巧，帮助开发者快速掌握国产24位ADC的应用，提升工业测量项目的精度与稳定性。
工程伦理ppt
工程伦理学 第一章 工程与伦理 1.1 如何理解工程 一、技术与工程的区别 二、技术与工程的联系 三、工程的定义 五、工程具有不确定性和探索性 六、理解工程活动的7个维度 1.2 如何理解伦理 一、道德与伦理 二、不同的伦理立场 三、伦理困境与伦理选择 1.3 工程实践中的伦理问题 一、工程活动中的行动者网络（具有动态性和网络性） 二、主要的工程伦理问题 三、工程伦理问题的特点 1.4 如何处理工程实践中的伦理问题 一、工程实践中伦理问题的辨识 二、处理工程伦理问题的基本原则 三、应对工程伦理问题的基本思路
从零到一：基于JasperGold的FPV实战入门与避坑指南
本文详细介绍了基于JasperGold的形式化验证（FPV）实战入门指南，涵盖环境搭建、SVA断言编写、TCL脚本调试等关键步骤。通过实际案例解析，帮助IC设计工程师掌握FPV技术，有效验证RTL设计中的复杂逻辑和corner case，提升验证效率与质量。
pycharm添加Anaconda解释器显示不出来
因为我之前下载的是pycharm最新版本2024.1的，所以我抱着试一试的心态卸载重装了2021.3.3的，创建新文件的时候立刻就自己识别好了conda环境。就是图中画圈的地方，之前一直显示为python的图标，但是再Python Interpreter后面跟的路径确实是我下载anaconda的地方。另外一种方法就是使用Virtualenv Environment方式配置，但是我的pycharm还是没有识别出conda的图标。首先是这位的方法，先添加系统解释器，再重启，但是我的图标还是python。
【YoloV12改进策略】基于流形约束超连接(mHC)增强YoloV12全局特征提取能力_独家复现_梁文峰署名论文
论文标题：流形约束超连接 (Manifold-Constrained Hyper-Connections, mHC)核心问题：针对超连接 (Hyper-Connections, HC) 扩展残差流宽度时破坏恒等映射、引发训练不稳定性和高内存开销的问题，提出一种约束性框架。目标：恢复残差连接的稳定性与可扩展性，同时保持HC的性能增益。基准模型：基于DeepSeek-V3的MoE架构，进行了3B、9B、27B模型的实验验证。论文图示mHC 是一个通用的HC扩展框架。
Python爬虫实战：基于Scrapy和Playwright的深交所数据采集
本文将详细介绍如何使用Python最新技术栈（Scrapy框架结合Playwright浏览器自动化）爬取深圳证券交易所(www.szse.cn)的公开数据。文章包含完整项目搭建、反爬策略应对、数据解析存储等全流程实现，并附详细代码示例和性能优化建议。python复制下载# 上市公司基本信息# 财务数据revenue = scrapy.Field() # 营业收入net_profit = scrapy.Field() # 净利润eps = scrapy.Field() # 每股收益。
如何在飞腾平台上安装Ubuntu操作系统
注意： 若主板上配置的是NVME硬盘，在进行内核配置时，需要将内核的NEME驱动勾选上，否则移植内核时，无法找到文件系统，进不去操作系统。可以通过rufus软件将镜像做到U盘中，本次使用版本为Rufus 3.9.124 ，其他版本也可以。不要下载live版本的，没有准备网络环境，是一个头疼的事情，笔者暂时没有实现网络安装。将U盘接到主板usb口上，接上串口，显示器，，必需串口有打印才可以安装。可以通过dd命令，将iso安装到U盘。安装的是最小系统，缺少很多命令，需要联网更新，或则更换飞腾专用内核。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
228
扫一扫
