登录社区云，与社区用户共同成长
邀请您加入社区
k-Means 是一种无监督学习的聚类算法，用于将数据划分为 k 个互不重叠的簇。其核心思想是通过迭代优化，将样本分配到最近的簇中心（质心），并更新质心位置，直到收敛。
通过本案例，实际应用了聚类的评价指标，并且成功对用户进行了分类，加强了对于聚类算法的认识。
本次实验依托助睿 Uniplore一站式数据科学平台，基于已有的学生考勤主题标签表，以迟到、早退、请假、未穿校服次数作为核心特征，使用K-Means 无监督聚类算法完成学生考勤行为自动分群。结合数据可视化解读聚类结果，为不同聚类簇赋予业务含义，划分出多类考勤群体；最后通过 ETL 工具将聚类编号、群体标签回写至原始数据表，完成考勤扩展标签构建，为校园学生行为分析、精细化管理与精准干预提供数据支撑。
对于刚接触机器学习聚类算法的小伙伴来说，K-Means（K 均值聚类） 是最经典的无监督学习算法之一。但很多新手都会遇到一个核心问题：怎么确定聚类的最优 K 值（簇的数量）？本文用啤酒数据集作为实战案例，选择 K-Means 最优聚类数，代码全程可直接运行，有需要可自取。K-means 聚类广泛应用于市场细分、图像分割、文档聚类等领域。例如，在市场营销中，可以将客户划分为不同的群体，以便进行更针对
动画演示了给定一组二维数据，通过 KMeans 算法逐渐将它们分成三组的例子。可以看到，随着迭代的进行，每个聚类中心的位置逐渐趋于稳定。下面是对于二维坐标点的 KMeans 算法代码实现（大约 20 行代码），对于更高维的数据，只需要更新计算距离的公式即可，如果使用。KMeans 算法实现起来并不困难，只需要上面的四个步骤即可，但要证明其收敛性就需要用到很多数学知识了。等科学计算库来实现的话，需要
机器学习与模式识别 第三章 聚类与贝叶斯 考点压缩
需要对n个元素进行聚类,使用k作为分类数量, 需要使用距离函数distance fucntion来确定元素之间的距离 pairwise distance.K-means算法使用迭代的方法进行逐步优化分类, 最终在分类稳定或者stopping cretiera处停止.Kmeans方法1. 在变量空间\mathbb{R}^n中设置k个初始聚类中心,2.计算每个元素到各个聚类中心的距离,3. 将每个元素
随着校园生活的多样性与个性化需求的不断增加，学生对于校园美食的需求越来越高，面对丰富多元的美食，学生常常出现选择困难的情况。因此，本研究引入k-means算法设计并实现一个便捷智能的校园美食推荐系统，以帮助学生更好地选择心仪的美食，提升就餐体验。该系统采用Java语言和Spring Boot框架进行后端业务开发，使用Vue框架构建前端交互界面，配合MySQL数据库实现数据的高效管理和安全传输储存。
有意思的是，在分析这四万多个Skill时我们发现了一个隐藏规律：真正被高频使用的，并非最炫酷的那个，而是解决“最小完整闭环”的那个。没有模糊表述如“理论上支持”，只有经过实测的勾选框。它们不在论文里，也不在发布会PPT中，就在日常协作产生的一个个具体需求缝隙里，安静等待一次准确的检索、一次放心的点击、一次顺畅的执行。当你的目标是从“写出一行代码”升级为“交付一个功能模块”，决定速度上限的往往不是推
它不造轮子，也不争谁家模型更聪明，而是专注解决一个非常实际的问题：怎么让一个写好的AI技能，在不同终端上都能直接运行，不用改一行代码。最近有位前端工程师朋友跟我聊起一个困扰他很久的问题：手头同时开着Cursor写React组件、用Claude查API文档、再切到Gemini跑一段数据清洗脚本——每个工具都挺好，但每次想加个新功能，比如自动补全接口调用逻辑或者一键生成测试用例，就得分别去三个地方找插
