数据分析中常用RFM分析消费者人群，但常见RFM是用均值区分。 均值区分与利用Kmeans区别在于前者人为划定R、F、M高低界限（以均值为界限），后者为通过不断迭代确定界限（不过两者对于异常点都较为敏感） RFM模型 首先介绍一下RFM模型 R – Recency 最近一次消费的时间 F – Frequency 一段时间内的消费频次 M – Monetary 一段时间内的消费金额 RFM模型主要用来划分客户/消费者，通过上述三个指标衡量客户/消费者价值 每个指标都分为0和1两档，1就是高，0就是低。把人群划分为2 * 2 * 2=8种： 上图源于百度百科 具体分类： 111 – 重要价值人群

Mean-Shift原理概述，挺详细的 Mean Shift 这个概念最早是由 Fukunaga 等人[1]于 1975 年在一篇关于概率密度梯度函 数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里 Mean Shift是一个名 词,它指代的是一个向量,但随着 Mean Shift 理论的发展,Mean Shift 的含义也发生了变化,如果 我们说 Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其 偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.

Python从零实现 K-mean 和K-中心点聚类算法的样本数据

状态洞察：数字城镇手册 用时尚的交互式百科全书取代充满城镇的旧纸活页夹。

此存储库包含用于构建基于 MEAN 的 REST api 的示例代码。 该代码包含在 MEAN 上构建 readitlater 服务所需的不同部分。 代码结构 Master 分支：包含初始服务器和 chrome 插件 v0.2：包含用于呈现 url 的 Angular 代码 v0.3：添加了读取选项 V0.4：UI 更新并显示读取的 url 设置 请参阅此以设置步骤。

口袋妖怪应用 这是加州大学伯克利分校 CS 169 类（软件工程）的演示应用程序，使用 MEAN 堆栈构建。

Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.

经典的c++图像分割算法，绝对能用，里面有实验图片。

vc++实现的mean shift图像分割算法，可对灰度图像和彩色图像进行分割。分割效果较好。

诗歌在中国是一个极为重要且历史悠久的文学体裁。纵横千年的时间跨度、数量巨大的诗人群体、卷帙浩繁的诗歌文本都使得在传统的文本阅读方式下，中国诗歌的宏观把握变得极其不易。因此，随着计算机算力与计算模型的发展，越来越多的研究者将目光聚焦到了使用计算机对诗歌进行文本分析的研究领域，已有研究者对中国古诗进行了统计建模与宏观分析$^{[1]}$，但所用文本语料多为《全唐诗》《全宋词》等，以《诗经》为语料的文本分析研究，未之有也。因此需要有人在这个方面进行一些探索，本文便是一次尝试， 试图从另一个视角出发，更高效地处理《诗经》文本，并提供文本分析视角下对《诗经》的宏观刻画、描述与阐释。 本文从字频、词频、文本长度、文本方差、情感分析、提取主题词等各个维度，对《诗经》进行了以下文本分析: 首先从单字的角度，对诗经进行了字数、字频、各句长度方差等统计。 经过效果对比，选用北京大学的分词工具Pkuseg，对《诗经》进行分词处理。 在分词基础上统计词频且生成词云。 通过文本长度，文本方差来寻找风雅颂三部分之间的差异。 通过对《诗经》中篇目的情感分析，绘制出风雅颂各部分的情感变化曲线。 提取出文本中的主题词，并以此为基础构建出每篇作品的文本向量。 选定文本长度，文本方差，文本向量作为作品的三个特征，共同组成一个样本来表达一篇作品。 抽取样本，通过计算距离的方式对《诗经》中风雅颂三部分进行聚类，绘制出表达聚类效果的轮廓系数曲线。 以束皙的六首《补亡诗》与陶渊明的四首《时运》为例，计算二者作品与《诗经》的相似程度。