聚类算法

AI妈妈手把手

Kernel K-means：让K-means在非线性空间“大显身手”大家好！欢迎来到我的CSDN技术分享博客😃。在之前的几篇博客中，我们深入探讨了多种K-means的优化算法，从基础的K-means算法，到Canopy + K-means算法、K-means++算法、二分K-means，再到ISODATA算法，每一种算法都有其独特的优势和适用场景。今天，我们要介绍一种更为强大的K-means优化算法——Kernel K-means，它能让K-means在非线性数据空间中也能发挥出色的性能👏。

AI妈妈手把手

K-means++：让K-means“聪明”地选择初始中心点大家好！欢迎来到我的技术分享博客~ 👋 在前两篇博客中，我们深入探讨了经典的 K-means 算法以及它的优化方案 Canopy + K-means。如果你还没有看过，强烈建议先回顾一下，因为今天的主题 K-means++ 和它们有着千丝万缕的联系哦！🔗

AI妈妈手把手

二分K-means：让聚类更高效、更精准！大家好！！欢迎再次来到我的技术分享博客~ 👋在前期文章中，我们系统剖析了K-means的随机初始化缺陷、Canopy+K-means的粗粒度预处理以及K-means++的概率化质心选择。今天，我们解锁另一种高效优化方案——二分K-means（Bisecting K-Means），它用层次分裂策略彻底规避初始点敏感性问题，并与前三篇内容形成完美闭环！🔗

橙子小哥的代码世界

【机器学习】【KMeans聚类分析实战】用户分群聚类详解——SSE、CH 指数、SC全解析，实战电信客户分群案例在实际数据分析中，聚类算法常用于客户分群、图像分割等场景。如何确定聚类数 k 是聚类分析中的关键问题之一。本文将以“用户分群”为例，展示如何通过 KMeans 聚类，利用 SSE（误差平方和，也称 Inertia）、Calinski-Harabasz 指数（CH Score）和 Silhouette Score（轮廓系数）来判断最佳的聚类数。你将看到三幅图表，每个图表都揭示了不同的聚类评价指标，帮助你综合判断哪一个 k 值最合理。

飞火流星02027

聚类算法概念、分类、特点及应用场景【机器学习】【无监督学习】机器学习聚类算法‌是一种无监督学习方法，旨在将数据集分割成不同的类或簇，使得同一簇内的数据对象相似性尽可能大，而不同簇之间的数据对象差异性也尽可能大。聚类算法广泛应用于新闻自动分组、用户分群、图像分割等领域。‌

机器学习——聚类算法K-Means目录一、初识聚类1. 认识聚类算法2. 聚类的流程3. 簇内误差平方和Inertia越小模型越好吗？二、KMeans介绍

小林打怪中

聚类算法（KMeans）模型评估方法（SSE、SC）及案例将相似的样本自动归到一个类别中，不同的相似度计算方法，会得到不同的聚类结果，常用欧式距离法；聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。是无监督学习算法

爱看书的小沐

【小沐学NLP】Python实现K-Means聚类算法（nltk、sklearn）聚类是一种无监督学习任务，该算法基于数据的内部结构寻找观察样本的自然族群（即集群）。使用案例包括细分客户、新闻聚类、文章推荐等。因为聚类是一种无监督学习（即数据没有标注），并且通常使用数据可视化评价结果。如果存在「正确的回答」（即在训练集中存在预标注的集群），那么分类算法可能更加合适。

玩转大数据15：常用的分类算法和聚类算法分类算法和聚类算法是数据挖掘和机器学习中的两种常见方法。它们的主要区别在于处理数据的方式和目标。分类算法是在已知类别标签的数据集上训练的，用于预测新的数据点的类别。聚类算法则是在没有任何类别标签的情况下，通过分析数据点之间的相似性或距离来将数据点分组。

【AI视野·今日CV 计算机视觉论文速览第278期】Mon, 30 Oct 2023AI视野·今日CS.CV 计算机视觉论文速览 Mon, 30 Oct 2023 Totally 50 papers 👉上期速览✈更多精彩请移步主页

飞翔的佩奇

机器学习中的 K-均值聚类算法及其优缺点K-均值聚类算法是一种无监督学习算法，用于将数据分成K个不同的类别。该算法将每个数据点都视为一个向量，并通过计算各数据点之间的距离来确定它们所属的类别。具体地说，该算法的流程如下：