基于K-means聚類(lèi)算法的圖像分割

圖像分割：利用圖像的灰度、顏色、紋理、形狀等特征，把圖像分成若干個(gè)互不重疊的區(qū)域，并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)相似性，在不同的區(qū)域之間存在明顯的差異性。...

2023-09-07 標(biāo)簽：圖像分割聚類(lèi)算法K-means 2685 0

如何選擇適合的聚類(lèi)算法？聚類(lèi)分析時(shí)需要使用什么變量？

隨機(jī)采樣的樣本大小很重要，也不能過(guò)小。需要足夠有代表性，即小樣本依然可以代表總體的數(shù)據(jù)分布。如果最終需要?jiǎng)澐趾芏鄠€(gè)簇，那么要非常小心，因?yàn)樾颖究赡軣o(wú)法...

2019-04-01 標(biāo)簽：數(shù)據(jù)挖掘聚類(lèi)算法聚類(lèi)分析 3.9萬(wàn) 0

基本的k-means算法流程

同時(shí)，k值的選取也會(huì)直接影響聚類(lèi)結(jié)果，最優(yōu)聚類(lèi)的k值應(yīng)與樣本數(shù)據(jù)本身的結(jié)構(gòu)信息相吻合，而這種結(jié)構(gòu)信息是很難去掌握，因此選取最優(yōu)k值是非常困難的。

2018-07-24 標(biāo)簽：函數(shù)聚類(lèi)算法k-means 2.0萬(wàn) 0

Python無(wú)監(jiān)督學(xué)習(xí)的幾種聚類(lèi)算法包括K-Means聚類(lèi),分層聚類(lèi)等詳細(xì)概述

無(wú)監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)技術(shù)中的一類(lèi)，用于發(fā)現(xiàn)數(shù)據(jù)中的模式。本文介紹用Python進(jìn)行無(wú)監(jiān)督學(xué)習(xí)的幾種聚類(lèi)算法，包括K-Means聚類(lèi)、分層聚類(lèi)、t-SNE...

2018-05-27 標(biāo)簽：聚類(lèi)算法機(jī)器學(xué)習(xí)Python 3.1萬(wàn) 0

機(jī)器學(xué)習(xí)中五種常用的聚類(lèi)算法

與K均值相比最大的優(yōu)點(diǎn)是我們無(wú)需指定指定聚類(lèi)數(shù)目，聚類(lèi)中心處于最高密度處也是符合直覺(jué)認(rèn)知的結(jié)果。但其最大的缺點(diǎn)在于滑窗大小r的選取，對(duì)于結(jié)果有著很大的影響。

2018-05-25 標(biāo)簽：聚類(lèi)算法機(jī)器學(xué)習(xí) 3.8萬(wàn) 0

一種基于MapReduce模型的并行化k-medoids聚類(lèi)算法

本文針對(duì)k-medoids算法具有初始點(diǎn)選取復(fù)雜、聚類(lèi)迭代時(shí)間久、中心點(diǎn)選取消耗資源過(guò)多等缺點(diǎn)，使用Hadoop平臺(tái)下的MapReduce編程框架對(duì)算...

2018-05-18 標(biāo)簽：聚類(lèi)算法MapReduce 5542 0

基于密度DBSCAN的聚類(lèi)算法

本文開(kāi)始介紹了聚類(lèi)算法概念，其次闡述了聚類(lèi)算法的分類(lèi)，最后詳細(xì)介紹了聚類(lèi)算法中密度DBSCAN的相關(guān)概況。

2018-04-26 標(biāo)簽：DBSCAN聚類(lèi)算法 2.2萬(wàn) 0

k means聚類(lèi)算法實(shí)例

與分類(lèi)不同，分類(lèi)是示例式學(xué)習(xí)，要求分類(lèi)前明確各個(gè)類(lèi)別，并斷言每個(gè)元素映射到一個(gè)類(lèi)別，而聚類(lèi)是觀(guān)察式學(xué)習(xí)，在聚類(lèi)前可以不知道類(lèi)別甚至不給定類(lèi)別數(shù)量，是無(wú)監(jiān)...

2018-02-12 標(biāo)簽：聚類(lèi)算法kmeans 1.6萬(wàn) 0

K-means的優(yōu)缺點(diǎn)及改進(jìn)

K-means算法的優(yōu)點(diǎn)是：首先，算法能根據(jù)較少的已知聚類(lèi)樣本的類(lèi)別對(duì)樹(shù)進(jìn)行剪枝確定部分樣本的分類(lèi)；其次，為克服少量樣本聚類(lèi)的不準(zhǔn)確性，該算法本身具有優(yōu)...

2018-02-12 標(biāo)簽：聚類(lèi)算法K-means 3.3萬(wàn) 0