聚类

3D点云数据处理中的聚类算法总结基于点的空间距离（欧几里得距离）来分割点云，将距离较近的点归为同一簇。欧式聚类需要的参数：邻域半径R,簇的最小点阈值minPts，最大点数阈值maxPts。实现效率： O(n * log n) 实现步骤：（1）从未访问点开始探索：对于点云中的每一个未访问的点，进行以下步骤：（2）区域查询：使用空间索引（如KD树）查找在以当前点为中心、半径为R的邻域内的所有点。如果邻域内的点数量大于或等于最小点阈值minPts，则将该点标记为一个新的聚类中心。（3）扩展聚类：从这个聚类中心出发，继续探索邻域内的点

2025.03.21【基因分析】| SCENIC：基因网络聚类与可视化工具详解在生物信息学领域，单细胞RNA-seq技术已经成为研究细胞异质性和复杂生物学过程的强大工具。SCENIC（Single-Cell ENrichment of Inferred Cellular states）正是在这样的背景下应运而生，它专门设计用于识别和分析与特定基因集或调控网络相关的细胞状态。通过结合基因表达数据和已知的基因调控网络，SCENIC能够推断出细胞的调控状态，这对于理解复杂的生物学过程和疾病机制至关重要。

4.玩转热图（相关矩阵、缺失值、多维相关、聚类热图、时间序列）——Python数据挖掘代码实践下面的表格对比了 9 种常见热图类型，从定义与用途、适用场景、常用工具，到优缺点，帮助您从多个角度理解和选择适合业务需求的热图形式。这不仅有助于数据探索和特征筛选，也为数据治理提供了直观的支持。

实验三 Python 数据可视化 && Python 聚类-K-means(CQUPT)Python 数据可视化：1、学习使用 jieba、wordcloud 等类库生成词云图。2、学习使用 Matplotlib 库进行数据可视化。

数据挖掘导论——第七章：聚类什么是聚类？数据间的相似性和距离的测量方式有哪些？数据标准化如何进行距离计算？层次聚类的思想和流程？K-均值聚类的思想和流程？距离的计算方式如何影响聚类结果？

Sodas（填坑中....）

周志华机器学习西瓜书第九章聚类-学习笔记聚类是无监督学习中非常典型的任务，聚类的目的是将数据样本划分为若干个通常不相交的子集，每一个子集成为"簇-cluster"，其即可以作为一个单独过程，用于找寻数据内在的分布结构，也可作为分类等其他学习任务的前驱过程。

【数据挖掘】KL散度（Kullback-Leibler Divergence, KLD）KL散度（Kullback-Leibler Divergence, KLD）是衡量两个概率分布 P 和 Q之间差异的一种非对称度量。它用于描述当使用分布 Q 逼近真实分布 P 时，信息丢失的程度。

【Python机器学习】2.2. 聚类分析算法理论：K均值聚类(KMeans Analysis)、KNN(K近邻分类)、均值漂移聚类(MeanShift)喜欢的话别忘了点赞、收藏加关注哦（关注即可查看全文），对接下来的教程有兴趣的可以关注专栏。谢谢喵！(=･ω･=)

实验四 Python聚类决策树训练与预测 && 基于神经网络的MNIST手写体识别Python聚类决策树训练与预测：1、掌握决策树的基本原理并理解监督学习的基本思想。2、掌握Python实现决策树的方法。

生信大杂烩

Xenium数据分析 | 数据预处理、单细胞降维聚类、细胞类型定义上节我们下载10x官方数据后，使用spatialdata框架进行数据读取，这节我们拿到单细胞数据后，使用常规单细胞数据分析流程，进行数据质控、低质量细胞删除、降维聚类、筛选特征基因、参考文章细胞类型marker进行细胞类型定义。

【机器学习chp11】聚类（K均值+高斯混合模型+层次聚类+基于密度的聚类DBSCAN+基于图的聚类+聚类的性能评价指标）目录一、聚类简介1、聚类的原理与方法2、聚类的不同类型3、降维的需求与技术4、聚类与降维的应用5、如何进行聚类分析

程序员学习随笔

StarRocks高效聚合源码解析聚合是数据分析中的一种常用的手段，其性能直接对于整个系统的分析来说有着非常重要的影响，本文将对starrocks中聚合实现做深入的分析，主要包括其实现策略以及采用的优化手段。

MMMMMMMay Love Code

大模型工程师学习日记（十一）：FAISS 高效相似度搜索和密集向量聚类的库Facebook AI Similarity Search (Faiss /Fez/) 是一个用于高效相似度搜索和密集向量聚类的库。它包含了在任意大小的向量集合中进行搜索的算法，甚至可以处理可能无法完全放入内存的向量集合。它还包含用于评估和参数调整的支持代码。

天才少女爱迪生

在数据集上通过聚类实现特征降维这行代码从 sklearn.datasets 模块中加载了手写数字数据集，该数据集包含8x8像素的灰度图像和对应的标签（0到9）。

想吃砸到牛顿的苹果的籽

点云 PCL分割聚类适用场景下方转载参考：PCL 、Halcon 聚类：欧式聚类、欧式+法向量区域生长、K-Means_pcl 聚类-CSDN博客

数据攻城小狮子

深入探究Python机器学习算法：无监督学习(聚类算法如 K-Means、DBSCAN,降维算法如 PCA、SVD)在数据的浩瀚海洋中，无监督学习宛如一座指引方向的灯塔，助力我们从海量未标记数据里挖掘出潜藏的信息与模式。今天，让我们深入探索无监督学习中的聚类与降维算法，并借助Python代码真切感受它们的强大功能。

深入了解 K-Means 聚类算法：原理与应用在数据科学和机器学习的世界中，聚类是一项非常重要的技术，它帮助我们根据数据的相似性将数据划分为不同的组或簇。聚类算法在许多领域中得到了广泛的应用，如图像处理、市场细分、基因研究等。K-Means 聚类算法作为最常见的无监督学习算法之一，因其简单易用、计算效率高而被广泛应用。本文将深入探讨 K-Means 算法的原理、应用以及一些常见的变种和改进方法。

层次聚类R复现在模型建立的过程中，我们一般都要把许多X变量进行聚类，进而分析模型的实际意义。其中大概可分为3类1. K-Means聚类

小机学AI大模型

【手撕算法】K-Means聚类全解析：从数学推导到图像分割实战聚类算法是探索数据内在结构的利器！本文手撕K-Means核心公式，结合Python代码实现与图像分割案例，详解：

Mean Shift聚类算法深度解析与实战指南Mean Shift（均值漂移）是一种基于密度梯度上升的非参数聚类算法，无需预设聚类数量，通过迭代寻找概率密度函数的局部最大值完成聚类。该算法在图像分割、目标跟踪等领域有广泛应用，尤其擅长处理任意形状的密度分布。