Splunk_ML_Toolkit_Algorithms其他MLTK算法添加的第一个算法是OPTICS聚类算法。
这是对DBSCAN算法的某些改进。
scikit-learn实现（）使用默认设置，min_pts=5并使用欧氏距离进行测量。
另外，max_eps是可以减少计算时间的有用功能。
需要检查您能否正确注册了算法？运行这个：|休息/servicesNS/nobody/-/configs/conf-algos|表标题
这是对DBSCAN算法的某些改进。
scikit-learn实现（）使用默认设置，min_pts=5并使用欧氏距离进行测量。
另外，max_eps是可以减少计算时间的有用功能。
需要检查您能否正确注册了算法？运行这个：|休息/servicesNS/nobody/-/configs/conf-algos|表标题
2019/11/12 22:09:02
3KB
1
可以做图像分割，数据挖掘，目前，针对K-Means算法研究及应用，尤其是在文本聚类挖掘层面的应用研究越来越多。
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
该算法认为簇是由距离靠近的对象组成的，因而把得到紧凑且独立的簇作为最终目标。
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
该算法认为簇是由距离靠近的对象组成的，因而把得到紧凑且独立的簇作为最终目标。
2015/5/23 20:02:13
3KB
1
初始聚类中心给定。
K均值聚类算法首先是聚类算法。
K均值算法是一种简单的迭代型聚类算法，采用距离作为类似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。
它将类似的对象归到同一个簇中，聚类方法几乎可以应用于所有对象，簇内的对象越类似，聚类的效果越好，之所以称之为K-均值是因为它可以发现k个不同的簇。
K均值聚类算法首先是聚类算法。
K均值算法是一种简单的迭代型聚类算法，采用距离作为类似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。
它将类似的对象归到同一个簇中，聚类方法几乎可以应用于所有对象，簇内的对象越类似，聚类的效果越好，之所以称之为K-均值是因为它可以发现k个不同的簇。
2018/3/20 4:08:39
1.7MB
1
用python写的一个k-means聚类算法的实现，测试数据在压缩包的data.txt中，结果通过图示的方法进行直观展现。
2022/10/1 15:36:31
5KB
1
keams聚类算法，matlab界面实现，可一支持任意维数据，有界面，数据点可以经过鼠标添加，简单清晰
2022/9/30 7:02:46
9KB
1
模糊c均值（FCM）聚类算法已广泛应用于许多医学图像分割中。
但是，由于不考虑空间信息，因而常规的标准FCM算法对噪声敏感。
为了克服上述问题，提出了一种新颖的改进的FCM算法（以后称为FCM-AWA）用于图像分割。
该算法是通过修改常规FCM算法中的目标函数，即通过将空间邻域信息合并到标准FCM算法中来实现的。
给出了自适应加权平均（AWA）滤波器以指示相邻像素对中心像素的空间影响。
在实施加权平均图像时，通过预定义的非线性函数自动确定控制模板（邻居寡妇）的参数（加权系数）。
该算法既适用于人工合成图像，又适用于真实图像。
此外，使用基于算法的分割方法对牙菌斑进行了定量分析。
实验结果表明，与标准FCM算法和另一种FCM算法（由Ahmed提出）相比，该算法对噪声的鲁棒性更高。
此外，使用所提出的方法对牙菌斑进行定量的结果表明，FCM-AWA提供了一种定量，客观和有效的牙菌斑分析方法，具有广阔的前景。
但是，由于不考虑空间信息，因而常规的标准FCM算法对噪声敏感。
为了克服上述问题，提出了一种新颖的改进的FCM算法（以后称为FCM-AWA）用于图像分割。
该算法是通过修改常规FCM算法中的目标函数，即通过将空间邻域信息合并到标准FCM算法中来实现的。
给出了自适应加权平均（AWA）滤波器以指示相邻像素对中心像素的空间影响。
在实施加权平均图像时，通过预定义的非线性函数自动确定控制模板（邻居寡妇）的参数（加权系数）。
该算法既适用于人工合成图像，又适用于真实图像。
此外，使用基于算法的分割方法对牙菌斑进行了定量分析。
实验结果表明，与标准FCM算法和另一种FCM算法（由Ahmed提出）相比，该算法对噪声的鲁棒性更高。
此外，使用所提出的方法对牙菌斑进行定量的结果表明，FCM-AWA提供了一种定量，客观和有效的牙菌斑分析方法，具有广阔的前景。
2015/7/18 7:39:45
128KB
1
在science上的一篇极度简单高效的聚类算法
2015/6/11 4:46:56
7.66MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB