开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在sklearn的凝聚聚类中提取从根到叶的路径

在sklearn的凝聚聚类中，提取从根到叶的路径是指从聚类树的根节点到每个叶子节点的路径。凝聚聚类是一种自下而上的聚类方法，它从每个样本开始，逐步合并最相似的样本或聚类，直到所有样本或聚类都被合并成一个大的聚类。

提取从根到叶的路径可以帮助我们理解聚类的层次结构和样本的归属关系。通过遍历聚类树，我们可以获取每个样本所属的聚类路径，即从根节点到该样本所在叶子节点的路径。这些路径可以用于进一步分析和解释聚类结果。

在sklearn中，可以使用AgglomerativeClustering类进行凝聚聚类，并通过调整参数来控制聚类的层次结构。具体来说，可以使用linkage参数指定合并聚类的方法，如ward、complete、average等。另外，可以使用n_clusters参数来指定最终的聚类数量。

凝聚聚类在许多领域都有广泛的应用，包括图像分割、文本聚类、生物信息学等。通过提取从根到叶的路径，我们可以对聚类结果进行可视化、分析聚类的稳定性、比较不同聚类结果等。

腾讯云提供了一系列与聚类相关的产品和服务，如云服务器、云数据库、人工智能平台等。具体推荐的产品包括：

云服务器（ECS）：提供高性能、可扩展的计算资源，适用于聚类算法的计算需求。链接地址：https://cloud.tencent.com/product/cvm
云数据库（CDB）：提供可靠的数据库存储和管理服务，适用于存储聚类结果和相关数据。链接地址：https://cloud.tencent.com/product/cdb
人工智能平台（AI Lab）：提供丰富的人工智能算法和工具，可用于聚类分析和其他机器学习任务。链接地址：https://cloud.tencent.com/product/ailab

通过腾讯云的产品和服务，您可以构建强大的云计算环境，支持各种聚类任务的开发和部署。

相关搜索:Prolog |查找节点值之和最大的从根到叶的路径在Flutter中，“build`”是如何从根到叶发生的？获取二叉树中所有从根到叶的路径，同时识别方向求n元树从根到叶的最大路径，不包括两个相邻结点的和在Python中以列表的形式获取二叉树的所有分支(从根到叶返回二叉树中从根到节点的路径如何在Neo4j中获取所有从根到叶的路径(DFS方式)，并返回包含节点和关系的结果通过partykit中的ctree获取每个终端节点从叶子到根的完整路径如何在@ComponentScan中定义从另一个模块到java类的路径？在scala中创建从字符串到类类型的映射在python中处理从数据库中提取的子类/超类记录输入到数组中的文件，然后在稍后的python中从文件中提取信息 Rails-类javascript中的autoload -允许依赖项从根程序包请求在webpack中在二叉树中从根开始查找路径，使sum不能像我预期的那样工作。在visual studio中从.Net到UWP C++的SerialPort类等效项是什么？在列中搜索(从2到1001的单元格)并比较每个单元格中的日期，以便从同一行提取数据

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

快速入门Python机器学习（28）

凝聚聚类(agglomerative clustering)指的是许多基于相同原则构建的聚类算法，这一原则是：算法首先声明每个点是自己的簇，然后合并两个最相似的簇，直到满足某种停止准则为止

01

学界 | 从文本挖掘综述分类、聚类和信息提取等算法

选自arXiv 机器之心编译参与：机器之心编辑部文本挖掘一直是十分重要的信息处理领域，因为不论是推荐系统、搜索系统还是其它广泛性应用，我们都需要借助文本挖掘的力量。本文先简述文本挖掘包括 NLP、

06

【机器学习】无监督学习：PCA和聚类

在这节课中，我们将讨论主成分分析（PCA）和聚类（clustering）这样的无监督学习方法。你将学习为何以及如何降低原始数据的维度，还有分组类似数据点的主要方法。

02

【机器学习】第四部分：聚类问题

聚类（cluster）与分类（class）问题不同，聚类是属于无监督学习模型，而分类属于有监督学习。聚类使用一些算法把样本分为N个群落，群落内部相似度较高，群落之间相似度较低。在机器学习中，通常采用“距离”来度量样本间的相似度，距离越小，相似度越高；距离越大，相似度越低.

02

基于Python的OpenCV轮廓检测聚类

OpenCV的“findContours”功能经常被计算机视觉工程师用来检测物体。OpenCV的存在，使得我们只需要编写几行代码就可以检测轮廓（对象）。然而，OpenCV检测到的轮廓通常是分散的。例如，一个功能丰富的图像可能有数百到数千个轮廓，但这并不意味着图像中有那么多对象。一些属于同一对象的轮廓是单独检测的，因此我们感兴趣的是对它们进行分组，使一个轮廓对应一个对象。

01

【Python】机器学习之聚类算法

这些聚类算法在不同场景和数据特性下有各自的优势和局限性，选择合适的算法取决于问题的性质和对结果的需求。聚类在图像分割、客户细分、异常检测等领域都有广泛的应用。

01

数据科学和人工智能技术笔记十七、聚类

在 scikit-learn 中，AgglomerativeClustering使用linkage参数来确定合并策略，来最小化（1）合并簇的方差（ward），（2）来自簇对的观测点的距离均值（average），或（3）来自簇对的观测之间的最大距离（complete）。

02

详细介绍了Python聚类分析的各种算法和评价指标

较为详细介绍了聚类分析的各种算法和评价指标，本文将简单介绍如何用python里的库实现它们。

04

如何对非结构化文本数据进行特征工程操作？这里有妙招！

文本数据通常是由表示单词、句子，或者段落的文本流组成。由于文本数据非结构化（并不是整齐的格式化的数据表格）的特征和充满噪声的本质，很难直接将机器学习方法应用在原始文本数据中。在本文中，我们将通过实践的方法，探索从文本数据提取出有意义的特征的一些普遍且有效的策略，提取出的特征极易用来构建机器学习或深度学习模型。研究动机想要构建性能优良的机器学习模型，特征工程必不可少。有时候，可能只需要一个优秀的特征，你就能赢得 Kaggle 挑战赛的胜利！对于非结构化的文本数据来说，特征工程更加重要，因为我们需要将文

06

「Workshop」第十期：聚类

聚类分析的思想:对于有p个变量的数据集来说,每个观测值都是p维空间中的一个点,所以属于同一类的点在空间中的距离应该显著小于属于不同类的点之间的距离

02

聚类

KMeans()类提供了fit(), predict()等8个方法供数据拟合、预测等使用。在利用肘部法则确定K值时需要建立聚类效果的指标，这时长长会用到求解两个向量之间距离的cdist()方法。格式如下：

02

Python 无监督学习实用指南：1~5

在本章中，我们将介绍基本的机器学习概念，即，前提是您具有一些统计学习和概率论的基本知识。您将了解机器学习技术的使用以及逻辑过程，这些逻辑过程将增进我们对数据集的性质和属性的了解。整个过程的目的是建立可支持业务决策的描述性和预测性模型。

02

Must Know！数据科学家们必须知道的 5 种聚类算法

聚类是一种关于数据点分组的机器学习技术。给出一组数据点，我们可以使用聚类算法将每个数据点分类到特定的组中。理论上，同一组中的数据点应具有相似的属性或特征，而不同组中的数据点应具有相当不同的属性或特征（即类内差异小，类间差异大）。聚类是一种无监督学习方法，也是一种统计数据分析的常用技术，被广泛应用于众多领域。在数据科学中，我们可以通过聚类算法，查看数据点属于哪些组，并且从这些数据中获得一些有价值的信息。今天，我们一起来看看数据科学家需要了解的 5 种流行聚类算法以及它们的优缺点。一、K 均值聚类 K-

08

五种聚类方法_聚类分析是一种降维方法吗

本文为雷锋字幕组编译的技术博客，原标题The 5 Clustering Algorithms Data Scientists Need to Know，作者为George Seif。

02

数据处理的统计学习（scikit-learn教程）

Scikit-learn 是一个紧密结合Python科学计算库(Numpy、Scipy、matplotlib)，集成经典机器学习算法的Python模块。一、统计学习：scikit-learn中的设置与评估函数对象（1）数据集 scikit-learn 从二维数组描述的数据中学习信息。他们可以被理解成多维观测数据的列表。如（n,m），n表示样例轴，y表示特征轴。使用scikit-learn装载一个简单的样例：iris数据集 >>from sklearn import datasets >>iris =

05

层次聚类Hierarchical Clustering解析

层次聚类顾名思义，是按照层次来进行聚类，其中不同的层次构成了树状结构的不同层级，叶子节点则对应真实的样本点，示意如下

02

【sklearn | 6】无监督学习与聚类分析

在前几篇教程中，我们探讨了 sklearn 的基础、高级功能，异常检测与降维，时间序列分析与自然语言处理，模型部署与优化，以及集成学习与模型解释。本篇教程将专注于无监督学习和聚类分析，这在探索性数据分析和数据挖掘中非常重要。

01

sklearn API 文档 - 0.18 中文翻译

所有函数和类的确切API，由docstrings给出。API会为所有功能提供预期类型和允许的功能，以及可用于算法的所有参数。原文链接 : http://scikit-learn.org/stab

07

聚类分析

聚类是一种无监督学习，聚类的方法几乎可以应用于所有对象。聚类分析根据聚类算法将数据或样本对象划分成两个以上的子集。每一个子集称为一个簇，簇中对象因特征属性值接近而彼此相似。不同簇对象之间则彼此存在差异。把相似的对象归于统一组，不同对象归于不同组。需要一种相似度的计算方法

02

重拾非学习的策略：一种新颖的点云配准问题设置

这个工作来自于上海交通大学，发表于CVPR 2022。我们知道，三维点云配准是三维视觉以及点云相关任务中的一个关键课题。早期最具有代表性的三维点云配准的工作是ICP，其根据点匹配估计输入点云的相对位姿。近年来随着深度学习技术的发展进步，基于深度学习的三维点云配准方法成为研究的主流，并随之诞生了DeepVCP、DGR、Predator等著名的方法。但这个工作重新聚焦于非学习的策略，通过聚类策略实现了先进的性能。同时，这个工作提出了一个新颖的点云配准问题设定，称为multi-instance point cloud registration，即同时估计某个instance的源点云与多个目标instance组成的目标点云中的每个instance的相对位姿。

03

系统总结！机器学习的模型！

大家好，我是花哥，前面的文章我们介绍了人工智能、机器学习、深度学习的区别与联系，指出了如今的人工智能技术基本上就是指机器学习。

01

人工稚能之sklearn分类

分类算法和聚类比较类似，都是将输入数据赋予一个标签类别。区别是分类算法的分类是预先确定的，有明确含义的。而聚类的标签是从输入数据本身的分布中提取出来的一种抽象的类别。聚类是无监督算法，而分类是有监督的，除了输入数据x外，还有标签y。

01

机器学习 | 聚类分析总结 & 实战解析

聚类分析是没有给定划分类别的情况下，根据样本相似度进行样本分组的一种方法，是一种非监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度划分为若干组，划分的原则是组内距离最小化而组间距离最大化，如下图所示：

02

数据挖掘复习（包括一些课本习题）[通俗易懂]

1.1.数据挖掘处理的对象有哪些？处理某一专业领域中积累的数据； 1.2.数据挖掘在电子商务中的客户关系管理起到非常重要的作用；

01

BIRCH详解_Bilabial

聚类特征（Clustering Feature，简称CF）是一种用来表征聚类特征的数据格式，他由以下三部分组成：簇中所含样本点的个数（用 N N N来表示）、簇中所有点的各项属性的线性和（用 L S LS LS来表示）以及簇中所有点的各项属性的平方和（用 S S SS SS来表示），假设存在簇 C = { ( 1 , 2 ) , ( 2 , 1 ) , ( 1 , 1 ) , ( 2 , 2 ) } C=\{\left(1,2\right),\left(2,1\right),\left(1,1\right),\left(2,2\right)\} C={ (1,2),(2,1),(1,1),(2,2)}，那么 N = 4 N=4 N=4， L S = ( { 1 + 2 + 1 + 2 } , { 2 + 1 + 1 + 2 } ) = ( 6 , 6 ) LS=\left(\{1+2+1+2\},\{2+1+1+2\}\right)=\left(6,6\right) LS=({ 1+2+1+2},{ 2+1+1+2})=(6,6)， S S = 1 2 + 2 2 + 1 2 + 2 2 + 2 2 + 1 2 + 1 2 + 2 2 = 20 SS=1^2+2^2+1^2+2^2+2^2+1^2+1^2+2^2=20 SS=12+22+12+22+22+12+12+22=20。因此这种结构具有很好的线性性质，即当需要合并两个簇时，总的聚类特性可以简单的通过两者聚类特性之和来表示。有了上述信息之后，就可以计算簇的质心以及方差（或标准差），其中方差可以用来表征簇的半径，还可以间接的计算两个簇质心之间的距离。聚类特征树（Clustering Feature Tree，简称CF-Tree）是一棵高度平衡的树，这棵树由根节点、内部节点（或者称为非叶节点）以及叶节点，其中每个非叶节点和根节点都由形如 [ C F i , c h i l d i ] [CF_{i},child_{i}] [CFi,childi]的项组成， c h i l d i child_i childi代表第 i i i个节点的子节点，而叶节点（或者称为簇）通过 C F i CF_i CFi组成的序列来表示每个簇的特征，下图（图1）所示是一个CF-Tree实例。

01

入门 NLP 前，你必须掌握哪些基础知识？

今年一月开始，我一直在从事一个从非结构化的文本中提取信息的项目。在开始这个项目之前，我对自然语言处理（NLP）领域一无所知。当我刚开始研究这个领域时，我很快就找了一本名为「Python 自然语言处理」的书（图书查阅地址：https://www.nltk.org/book/）。这本书对于我来说过于理论化了，但其中的知识基本是正确的，因此它对我来说仍然是无价的资源。接下来，我发现了 Dipanjan Sarkar 编写的「Python 文本分析」（图书查阅地址：https://www.apress.com/gp/book/9781484243534），并从头到尾通读了此书。这本书真的太棒了，它教会了我入门 NLP 项目所需的所有技术技能。最近，此书的第二版（https://www.apress.com/gp/book/9781484243534）也面世了，对上个版本进行了大量的扩充。

01

入门 NLP 项目前，你必须掌握哪些理论知识？

今年一月开始，我一直在从事一个从非结构化的文本中提取信息的项目。在开始这个项目之前，我对自然语言处理（NLP）领域一无所知。当我刚开始研究这个领域时，我很快就找了一本名为「Python 自然语言处理」的书（图书查阅地址：https://www.nltk.org/book/）。这本书对于我来说过于理论化了，但其中的知识基本是正确的，因此它对我来说仍然是无价的资源。接下来，我发现了 Dipanjan Sarkar 编写的「Python 文本分析」（图书查阅地址：https://www.apress.com/gp/book/9781484243534），并从头到尾通读了此书。这本书真的太棒了，它教会了我入门 NLP 项目所需的所有技术技能。最近，此书的第二版（https://www.apress.com/gp/book/9781484243534）也面世了，对上个版本进行了大量的扩充。

02

面试了8家公司，他们问了我这些机器学习题目......

翻译 | 王柯凝出品|人工智能头条（公众号ID：AI_Thinker）【导读】今年年初以来，作者一直在印度找数据科学、机器学习以及深度学习领域的工作。在找工作的这三十四天里，他面试了8到10家公司，其中也包括初创公司、基于服务的公司以及基于产品的公司。作者希望他的面试经验能够为求职者提供一些有用的信息，因而撰写了此文。希望你读后能够有所收获！首先自我介绍一下：我在机器学习（语音分析、文本分析和图像分析领域应用）领域有4年以上的从业经验。总的来说，我认为这个领域的大多数工作职位主要包括文本分析（自然

06

Name Disambiguation in AMiner-Clustering, Maintenance, and Human in the Loop

Name Disambiguation in AMiner: Clustering, Maintenance, and Human in the Loop

02

机器学习算法基础：层次聚类详解

层次聚类假设类别之间存在层次结构，将样本聚到层次化的类中。所谓层次就是一层一层的进行聚类，可以采用自顶向下的聚类策略（分裂），也可以采用自下而上的策略（凝聚）。

01

机器学习算法基础：层次聚类详解

层次聚类假设类别之间存在层次结构，将样本聚到层次化的类中。所谓层次就是一层一层的进行聚类，可以采用自顶向下的聚类策略（分裂），也可以采用自下而上的策略（凝聚）。

03

Chem Sci | 用机器学习策略对逆合成途径进行评估和聚类

2021年10月23日，浙江大学化学工程与生物工程学院的莫一鸣等人在Chemical Science杂志发表文章，介绍了对逆合成途径进行评估和聚类的机器学习策略。

02

机器学习（8）——其他聚类层次聚类画出原始数据的图小结

层次聚类紧接上章，本章主要是介绍和K-Means算法思想不同而的其他聚类思想形成的聚类算法。 k-means算法却是一种方便好用的聚类算法，但是始终有K值选择和初始聚类中心点选择的问题，而这些问题也会影响聚类的效果。为了避免这些问题，我们可以选择另外一种比较实用的聚类算法-层次聚类算法。顾名思义，层次聚类就是一层一层的进行聚类，可以由上向下把大的类别（cluster）分割，叫作分裂法；也可以由下向上对小的类别进行聚合，叫作凝聚法；但是一般用的比较多的是由下向上的凝聚方法。本章主要涉及到的知识点有：层次

06

NLP关键词提取方法总结及实现

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 一、关键词提取概述关键词是能够表达文档中心内容的词语，常用于计算机系统标引论文内容特征、信息检索、系统汇集以供读者检阅。关键词提取是文本挖掘领域的一个分支，是文本检索、文档比较、摘要生成、文档分类和聚类等文本挖掘研究的基础性工作。从算法的角度来看，关键词提取算法主要有两类：无监督关键词提取方法和有监督关键词提取方法。 1、无监督关键词提取方法不需要人工标注的语料，利用某些方法发现文本中比较重要的词作为关键词，进

03

python数据分析——在面对各种问题时，因如何做分析的分类汇总

Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言，具有简单易学、代码可读性高、生态系统强大的特点，因此在数据科学领域得到广泛应用。

02

MLK | 非监督学习最强攻略

"MLK，即Machine Learning Knowledge，本专栏在于对机器学习的重点知识做一次梳理，便于日后温习，内容主要来自于《百面机器学习》一书，结合自己的经验与思考做的一些总结与归纳，本次主要讲解的内容是机器学习里的非监督学习经典原理与算法，非监督，也就是没有target（标签）的算法模型。"

05

机器学习19：k近邻(kNN)模型

k近邻(k-NearestNeighbor)学习是一种最简单的监督学习算法，工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最近的k个训练样本，然后基于这k个邻居的信息来进行预测。通常，在分类任务中使用投票法，即选择这k个样本职工出现最多的类别标记作为预测结果；在回归任务中可以使用平均法，即将这k个样本的实值输出标记的平均值作为预测结果；还可以基于距离远近来进行加权平均或者加权投票，距离越远的样本权重越大。

01

nlp 关键词提取_nlp信息抽取

关键词是能够表达文档中心内容的词语，常用于计算机系统标引论文内容特征、信息检索、系统汇集以供读者检阅。关键词提取是文本挖掘领域的一个分支，是文本检索、文档比较、摘要生成、文档分类和聚类等文本挖掘研究的基础性工作。

04

大数据开发：Spark MLlib组件学习入门

在Spark生态圈当中，MLlib组件，作为机器学习库而存在，在大数据分析、数据挖掘等数据处理操作上，提供重要的支持。学习Spark，对于MLlib组件的学习，也可以有相应程度的掌握。今天的大数据开发学习分享，我们就来讲讲Spark MLlib组件学习入门。

04

机器学习聚类算法

聚类算法是一种无监督学习方法，用于将数据集中的样本划分为多个簇，使得同一簇内的样本相似度较高，而不同簇之间的样本相似度较低。在数据分析中，聚类算法可以帮助我们发现数据的内在结构和规律，从而为进一步的数据分析和挖掘提供有价值的信息。

01

深度揭秘：如何正确识别证书实际控制机构

在上次《拨开俄乌网络战迷雾-域名证书测绘篇》里，对俄乌双方网站域名证书的存活情况和颁发机构分布情况变动研究中，发现难以从部分证书解析得到的颁发者名称及机构中，正确识别其证书颁发机构（Certificate Authority, CA）。针对此类问题进行调研，发现一篇发表在USENIX 2021的论文工作[1]，如图1所示。其作者提出基于CA对证书的操作行为特征进行聚类的Fides系统，能够检测实际控制数字证书的CA（即证书运营商），并建立了一个新的证书运营商数据库[2]。所谓控制，就是对证书关联的加密密钥具有操作访问权限，并能够对由密钥颁发的证书负责。

03

数据挖掘与数据分析[通俗易懂]

数据挖掘和数据分析都是从数据中提取一些有价值的信息，二者有很多联系，但是二者的侧重点和实现手法有所区分。数据挖掘和数据分析的不同之处： 1、在应用工具上，数据挖掘一般要通过自己的编程来实现需要掌握编程语言；而数据分析更多的是借助现有的分析工具进行。 2、在行业知识方面，数据分析要求对所从事的行业有比较深的了解和理解，并且能够将数据与自身的业务紧密结合起来；而数据挖掘不需要有太多的行业的专业知识。 3、交叉学科方面，数据分析需要结合统计学、营销学、心理学以及金融、政治等方面进行综合分析；数据挖掘更多的是注重技术层面的结合以及数学和计算机的集合数据挖掘和数据分析的相似之处： 1、数据挖掘和数据分析都是对数据进行分析、处理等操作进而得到有价值的知识。 2、都需要懂统计学，懂数据处理一些常用的方法，对数据的敏感度比较好。 3、数据挖掘和数据分析的联系越来越紧密，很多数据分析人员开始使用编程工具进行数据分析，如SAS、R、SPSS等。而数据挖掘人员在结果表达及分析方面也会借助数据分析的手段。二者的关系的界限变得越来越模糊。

02

数据挖掘与数据分析

数据挖掘和数据分析都是从数据中提取一些有价值的信息，二者有很多联系，但是二者的侧重点和实现手法有所区分。数据挖掘和数据分析的不同之处： 1、在应用工具上，数据挖掘一般要通过自己的编程来实现需要掌握编程语言；而数据分析更多的是借助现有的分析工具进行。 2、在行业知识方面，数据分析要求对所从事的行业有比较深的了解和理解，并且能够将数据与自身的业务紧密结合起来；而数据挖掘不需要有太多的行业的专业知识。 3、交叉学科方面，数据分析需要结合统计学、营销学、心理学以及金融、政治等方面进行综合分析；数据挖掘更多的是注重技术层面的结合以及数学和计算机的集合数据挖掘和数据分析的相似之处： 1、数据挖掘和数据分析都是对数据进行分析、处理等操作进而得到有价值的知识。 2、都需要懂统计学，懂数据处理一些常用的方法，对数据的敏感度比较好。 3、数据挖掘和数据分析的联系越来越紧密，很多数据分析人员开始使用编程工具进行数据分析，如SAS、R、SPSS等。而数据挖掘人员在结果表达及分析方面也会借助数据分析的手段。二者的关系的界限变得越来越模糊。

05

12张思维导图带你掌握机器学习！

【导读】大家好，我是泳鱼。本文通过12张思维导图，涵盖了包含机器学习算法、特征工程、机器学习实战项目、深度学习等知识，带领大家系统了解及掌握机器学习的主要知识内容！

02

（数据科学学习手札09）系统聚类算法Python与R的比较

上一篇笔者以自己编写代码的方式实现了重心法下的系统聚类（又称层次聚类）算法，通过与Scipy和R中各自自带的系统聚类方法进行比较，显然这些权威的快捷方法更为高效，那么本篇就系统地介绍一下Python与R各自的系统聚类算法； Python cluster是Scipy中专门用来做聚类的包，其中包括cluster.vq矢量量化包，里面封装了k-means方法，还包括cluster.hierarchy，里面封装了层次聚类和凝聚聚类的方法，本文只介绍后者中的层级聚类方法，即系统聚类方法，先从一个简单的小例子出发： i

08

一文读懂层次聚类（Python代码）

本篇想和大家介绍下层次聚类，先通过一个简单的例子介绍它的基本理论，然后再用一个实战案例Python代码实现聚类效果。

03

Python Monte Carlo K-Means聚类实战研究|附代码数据

在本文中，188个国家基于这19个社会经济指标聚集在一起，使用Python实现的蒙特卡罗K-Means聚类算法。通过将类似国家分组在一起并对其进行概括，聚类可以减少发现有吸引力投资机会所需的工作量

00

【python】在【机器学习】与【数据挖掘】中的应用：从基础到【AI大模型】

在大数据时代，数据挖掘与机器学习成为了各行各业的核心技术。Python作为一种高效、简洁且功能强大的编程语言，得到了广泛的应用。

01

2小时入门Spark之MLlib

最近由于一直在用Spark搞数据挖掘，花了些时间系统学习了一下Spark的MLlib机器学习库，它和sklearn有八九分相似，也是Estimator，Transformer，Pipeline那一套，各种fit，transform接口。sklearn有多好学，MLlib就有多好学，甚至MLlib还要更加简单一些，因为MLlib库中支持的功能相对更少一些，并且MLlib基于DataFrame数据比sklearn基于numpy array会更加直观一些。

02

无监督学习：从理论到实践的全面指南

无监督学习（Unsupervised Learning）是一类机器学习任务，其中算法在没有标签的情况下，从未标记的数据中学习模式和结构。与有监督学习不同，无监督学习不依赖于预定义的输出，而是从数据本身提取信息，用于发现数据的内在规律和特征。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭