聚类

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

啊阿狸不会拉杆

《机器学习导论》第 12 章 - 局部模型目录正文12.1 引言12.2 竞争学习12.2.1 在线 k 均值（Online K-Means）12.2.2 自适应共鸣理论（ART）

Kmeans聚类算法详解1.什么是聚类2.聚类算法的应用场景3.聚类算法的分类一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。

电信运营商用户分群与精准运营（K-Means聚类）业务痛点：某省级电信运营商用户规模超2000万，存在三大问题：算法团队：数据清洗、特征工程（衍生/标准化）、K-Means模型训练（K-Means++）、特征存储（Feast）、模型注册（MLflow）；

啊阿狸不会拉杆

《机器学习导论》第 7 章-聚类目录前言7.1 引言聚类的应用场景核心概念对比（可视化）运行效果7.2 混合密度核心思想实战代码（混合密度可视化）

【大模型应用开发】第二阶段：语义理解应用：文本分类与聚类 (Text Classification & Clustering)“The best classifier is the one you understand.” - Andrew Ng

利用Python挖掘城市数据K-means是无监督聚类算法，核心是物以类聚，即根据数据点之间的相似性，把特征相近的点归为一类。以识别城市热点商圈为例，相似性体现在：

AI编程实例 - 爆款文章预测：K-Means聚类与分类算法的实践在社交媒体时代，内容创作者和营销人员面临一个共同挑战：如何预测哪些文章或帖子会"病毒式传播"（获得大量分享和关注）？对于内容平台、自媒体运营者、企业营销团队来说，能够提前预测内容的传播潜力，可以显著提升内容策略的效率和效果。

点云数据分割算法之-聚合层次聚类（AHC）平面识别算法原文：Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Clustering

基于锚点（聚类）的LLM微调这是一种在大规模指令数据集上进行高效、高质量微调的策略。其核心思想是先对海量、多样的指令数据进行结构化分组，再选取最具代表性的样本进行微调，以避免数据冗余、平衡数据分布，并提升模型泛化能力。

永远都不秃头的程序员(互关)

【K-Means深度探索（十一）】K-Means VS 其他聚类算法：如何选择最合适的工具？亲爱的读者朋友们，欢迎回到我们的“K-Means深度探索”系列！我们已经携手走过了 K-Means 的理论、实践、优化与应用，甚至探访了它的“亲戚”们。现在，你对 K-Means 算法的理解，已经从入门级小白跃升为资深玩家了！

机器学习算法详解：DBSCAN 聚类原理、实现流程与优缺点分析聚类是机器学习中一种重要的无监督学习方法，其目标是在没有先验标签的情况下，根据样本之间的相似性，将数据自动划分为若干类别。聚类结果通常要求同一类内部的数据相似度较高，而不同类别之间的差异尽可能大。由于不依赖人工标注，聚类算法在数据探索、模式识别和异常检测等领域具有广泛应用。

第三章：聚类算法目录什么是聚类？第一部分：K-MEANS 算法 —— 简单粗暴的经典1. 核心原理2. 工作流程3. 优缺点分析