聚类

卷毛迷你猪

快速实验篇（B16）用户级预测可行性审计（否定性意见）B15 把协同过滤放到推荐系统任务上，得到的是负结果：在 100 用户 × 20 品类、训练集完全密集、测试集接近全满的数据上，CF 不优于随机，这件事说明推荐系统在这份数据上没有施展空间。

Mobike 共享单车分析项目这个项目从单车骑行订单中分析用户的时间、距离与停放位置。核心目标是找出高频停车热点，为停车架、电子围栏、巡检和车辆调度提供数据依据。

卷毛迷你猪

快速实验篇（B12）异常流量与刷单识别（方法论演示）B12 的使命，从名字上看很直白：异常流量与刷单识别。这是电商风控里最刚需的一类分析：从一堆用户行为日志里，找出那些"看起来不太正常"的行为——比如同一个账号反复下单又取消、比如支付次数远高于下单次数、比如某个搜索词忽然被大量搜索。

卷毛迷你猪

快速实验篇（B11）用户 RFM 与聚类分群实战B11 的使命是做用户 RFM 与聚类分群，回答"高价值、潜力、流失用户是谁"。这是电商里最经典的一类用户运营分析。RFM 是 Recency、Frequency、Monetary 三个维度的缩写：

这张生成的图像能检测吗

（论文速读）AdaCluster：让视频 DiT 的稀疏注意力学会“区别对待”Q 和 K论文题目： AdaCluster: Adaptive Query-Key Clustering for Sparse Attention in Video Generation 中文翻译： AdaCluster：面向视频生成稀疏注意力的自适应 Query-Key 聚类会议： CVPR 2026 源码： https://github.com/USTC-MLSys-Team/Adacluster

多任务权重流形融合：SLERP 球形线性插值、DARE 稀疏剪枝与多专家模型融合落地专栏名称：《QNL-36：从量子张量网络到端侧异构认知大模型全栈实战》分卷归属：卷五·流形融合、DPO 对齐与量化感知微调（Volume V: Manifold Fusion, DPO Alignment & QAT）文档编号：QNL-36-VOL05-ART20 主笔专家：QNL-019 SLERP-MERGE（流形融合专家）· QNL-017 LORA-MANIFOLD（低秩流形架构专家）联署质检：QNL-031 VRAM-GUARD（显存守卫架构师）· QNL-008 DYNAMIC-GRAP

RAPTOR 树不是把文档简单分组：递归聚类的层级检索排行榜中的 RAPTOR 树选题把检索从平面候选提升到层级摘要。本文独立实现一个不依赖模型的向量聚类原型：先分配叶节点，再递归合并代表向量，查询时同时检查父摘要和子文档，说明停止条件、复杂度与摘要误差边界。

机器学习:聚类算法就重新找中心点涉及点小学算法，别的没了题目:误差平方和 sse (the sum of squares due to error) 这是所有簇的各自簇内所有样本到各自质心的误差平方和

拓海SEO外贸

关键词聚类（Keyword Clustering）怎么做聚类前是一堆散乱关键词，聚类后收拢成几个主题页很多人做 SEO，一拿到关键词列表就慌。几百、几千个词摆在那，一个个写页面？写到猴年马月。

啥都想学点的研究生

一篇文章讲清楚：K-Means聚类算法通过这篇文章，我们需要知道什么是聚类，了解聚类算法的应用场景，知道聚类算法的分类，了解Kmeans算法的API，动手实践Kmeans算法，能掌握K-means聚类的实现步骤，了解 SSE 聚类评估指标，了解 SC 聚类评估指标，了解 CH 聚类评估指标，了解肘方法的作用；能使用聚类算法完成客户案例分析，知道怎么求最佳K值。

openclaw（安装及其配置）༺ 个人主页 · 纪念229 ༻🏠我的博客主页🏠༒专栏目录：《数据结构》༒༒专栏目录：《算法》༒༒专栏目录：《MySQL数据库》༒

单细胞数据分析--多数据整合harmony聚类

PostGIS实现DBSCAN空间聚类原理与应用实践【ST_ClusterDBSCAN】ST_ClusterDBSCAN 是 PostGIS 中用于空间数据聚类的强大工具，使用 DBSCAN 算法返回每个输入几何图形的簇 id 的窗口函数，基于 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法实现。与 K-means 等算法不同，该算法无需事先知道聚类簇的数量，能根据数据分布自动确定。同时，它可以发现任意形状的聚类簇，并且对远离密度核心的噪声点具有鲁棒性，适合处理复杂的地理空间数据，如城市热点区域识别、

多聚类数据集分享-Multiple Clustering datasets最近在学习多聚类相关论文，论文看差不多了，准备复现对应工作。先收集对应数据集，在看具体代码。论文共涉及 10 个不同的数据集（部分数据集在两篇论文中共同使用）：

PostGIS实现KMeans空间聚类原理与应用实践【ST_ClusterKMeans】ST_ClusterKMeans 用于将几何对象集合划分为指定数量（k）的聚类,使用 K 均值算法返回每个输入几何图形的簇 id 的窗口函数。该算法基于几何中心或边界框中心的距离进行聚类，并支持权重和最大半径约束。特别适用于识别空间热点区域、资源分配规划和模式识别等场景。与 DBSCAN 等密度聚类不同，K-means 需要预先指定聚类数量，但能更均匀地划分空间数据。

Nature Aging IF=19.4 | Transformer聚类框架：纵向电子健康记录解析阿尔茨海默病与帕金森病亚型阿尔茨海默病和帕金森病等神经退行性疾病临床异质性极高，这导致“一刀切”的治疗策略屡屡受挫。能否从海量临床数据中，提前识别出不同的疾病亚型，为精准干预铺平道路？

泡干脆面就番茄

机器学习：K-means 聚类与 DBSCAN 聚类无监督学习是机器学习的两大支柱之一。如果说分类是"照着答案对号入座"（有监督），那么聚类就是"没有答案自己找规律"（无监督）。本文用同一份啤酒数据集，对比聚类两大流派——基于划分的 K-means 与基于密度的 DBSCAN，一次讲透它们的原理、代码、调参与差异。

AAAI 2026 | KTV：基于聚类与Token剪枝的关键帧选取论文题目：KTV: Keyframes and Key Tokens Selection for Efficient Training-Free Video LLMs

用户分群找不到规律？用K-Means聚类算法自动发现数据模式关键词：K-Means、聚类算法、无监督学习、用户画像、肘部法在AI应用开发中，我们经常遇到这样的场景：手头有一堆用户数据、日志记录或文档向量，但事先并不知道这些数据应该分成几类，更没有标注好的标签供模型学习。这时候，聚类算法就成了我们的"数据探照灯"——它能在没有监督信号的情况下，自动把相似的数据点归到同一组。

Python-pytorch-高级技巧Hooks 让你在不修改 forward() 代码的情况下，在模型的前向/反向传播中插入自定义逻辑。非常适合调试、特征提取、梯度分析和可视化。