聚类

机器学习(二十三) 密度聚类与层次聚类密度聚类即"基于密度的聚类"(density-based clustering)，此类算法通过样本分布的紧密程度确定聚类结构。通常情况下，密度聚类算法从样本密度的角度考察样本之间的可聚类性，并基于样本之间的可聚类性不断扩展聚类簇获得最终的聚类结果。

机器学习聚类算法二——DBSCAN（Density-Based Spatial Clustering of Applications with Noise）DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise）是一种基于密度的聚类算法，其核心思想是通过发现数据中的高密度区域来识别簇，并将低密度区域的数据点标记为噪声。

放下华子我只抽RuiKe5

机器学习启航：从数据直觉到模型构建的第一块基石前言：很多人一听到“机器学习”，脑海中浮现的往往是复杂的数学公式、晦涩的神经网络图，或者是科幻电影里觉醒的机器人。但如果你刚学完机器学习的基础章节，你会发现，它的核心其实非常朴素：教计算机像人类一样，从经验（数据）中学习规律，而不是死记硬背规则。

机器学习(二十二) 原型聚类：k均值算法、学习向量量化、高斯混合聚类无监督学习(unsupervised learning) 目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，此类学习任务中研究与应用最多的是"聚类"(clustering)。

Σίσυφος1900

PCL聚类之区域生长目标：根据点云的局部连续性，将点云分成若干簇（cluster）。不仅考虑欧式距离，还考虑法向一致性或曲率平滑性。

放下华子我只抽RuiKe5

AI大模型开发-实战精讲：从零构建 RFM 会员价值模型（进阶挑战版）前言在你通往 AI 大模型开发的道路上，除了掌握复杂的神经网络算法，扎实的数据处理能力才是地基。大模型的训练本质上是海量数据的清洗、特征工程与价值挖掘。

放下华子我只抽RuiKe5

机器学习全景指南-探索篇——发现数据内在结构的聚类算法为了将这所有博客里的知识点逻辑顺畅地串联起来，特此设计了以下目录结构。这个顺序遵循了“概念引入 -> 基础回归 -> 分类进阶 -> 无监督学习”的学习路径：

Σίσυφος1900

PCL聚类之欧式聚类（最常用）目标：将点云中的点按空间距离相近性划分为不同的簇（cluster）。数学上：通过欧式距离衡量点与点之间的相似性。

所谓伊人，在水一方333

【Python数据科学实战之路】第12章 | 无监督学习算法实战：聚类与降维的奥秘本章我们将深入探索无监督学习的核心算法，掌握K-Means、层次聚类、DBSCAN等聚类方法，以及PCA、t-SNE等降维技术，学会从数据中发现隐藏的模式与结构。

降维打击聚类难题：高斯混合模型 (GMM) 深度解析与实战在机器学习的聚类算法中，很多人首先想到的是 K-Means。但在实际工程中，数据往往不是完美的球形分布。当数据呈现出椭圆形、重叠严重或者需要知道“某个点属于某类的概率”时，高斯混合模型 (Gaussian Mixture Model, GMM) 才是真正的利器。

机器学习聚类算法一——K均值K均值（K-Means）是一种经典的无监督学习聚类算法，其核心思想是通过迭代将数据划分为 K个簇，使得同一簇内的数据点尽可能相似，不同簇的数据点尽可能不同。它的本质是最小化簇内平方误差（Within-Cluster Sum of Squares, WCSS），即所有数据点到其所属簇中心的距离平方和。

Σίσυφος1900

PCL聚类之K-Means目标：把点云分成 KKK 个簇，使簇内点尽量接近簇中心，簇间尽量远。假设点云：

编程小白_澄映

《机器学习》——聚类聚类（Clustering）旨在将数据集中的样本分成若干个簇，使得同一个簇内的对象彼此相似，不同簇间的对象差异较大。

社会网络分析（SNA）——Gephi1）下载软件 2）安装软件及插件双击安装后安装将Excel或CSV格式数据转换成Gephi可用数据的插件

聚类用于人群标签的实操思路聚类算法的核心是“无监督分组”——无需提前定义标签规则，通过算法自动识别数据中具有相似特征的人群，将其归为一类，再为每类人群赋予贴合其特征的标签。其实操核心的是“选对特征、选对算法、做好标签落地”，全程围绕“数据→聚类→标签→应用”四大环节展开，每个环节均需贴合业务场景，避免纯技术层面的无效聚类。

人工智能AI酱

【AI深究】高斯混合模型（GMM）全网最详细全流程详解与案例（附Python代码演示） | 混合模型概率密度函数、多元高斯分布概率密度函数、期望最大化（EM）算法 | 实际案例与流程 | 优、缺点分析大家好，我是爱酱。继前几篇介绍了层次聚类、K均值聚类和密度聚类之后，本篇我们聚焦于另一种强大的聚类算法——高斯混合模型（GMM）。GMM是一种基于概率的软聚类方法，能够为每个样本点计算属于各个簇的概率，适合复杂数据的建模。本文将系统介绍GMM的原理、数学表达、实际案例流程及Python代码实现，加上大量公式给出，方便你直接用于技术文档和学习。

啊阿狸不会拉杆

《机器学习导论》第 17 章 - 组合多学习器目录前言17.1 基本原理核心概念可视化对比：单个模型 vs 集成模型代码说明17.2 产生有差异的学习器

健康行为监测与久坐提醒：K-Means聚类在健康领域的应用现代人久坐不动是健康的一大隐患。世界卫生组织（WHO）指出，久坐是导致多种慢性疾病的重要因素，包括心血管疾病、糖尿病、肥胖等。随着智能手机和可穿戴设备的普及，我们可以通过传感器数据监测用户的行为模式，识别静止和运动状态，并根据静止时间提供个性化的健康建议。

基于MATLAB的FCM与K-means图像聚类分割实现特征增强：结合颜色（HSV）与空间坐标（x,y）提升分割连续性：初始化优化：使用K-means++提升聚类质量：

基于联邦学习的隐私保护和抗投毒攻击方法研究导读：联邦学习中的参数传输和模型训练，使其面临着投毒攻击和隐私泄露的双重威胁。现有结合隐私保护和抗投毒攻击的联邦学习研究中，通常先对客户端梯度进行加密或扰动再在密文域中执行投毒攻击检测操作，容易模糊或消除恶意梯度所具有的差异性特征，导致检测算法难以准确区分不同类型的投毒攻击。本文提出基于联邦学习的隐私保护和抗投毒攻击方法研究中，采用基于明文的梯度历史信息对客户端类型进行识别，再对筛选出的正常客户端进行隐私保护和安全聚合操作，从而在保障数据机密性的同时提升检测的有效性。考虑符号翻转、噪声注入和标签翻转攻击的