物流人工智能_机器学习

k-means聚类算法

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

基于模糊 C-means 的多视角聚类算法(简称 FCM-MVC)

FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。在介绍FCM具体算法之前我们先介绍一些模糊集合的基本知识。

Python实现K-Means聚类后的三维可视化，使用的是生成数据，编译器为jupyter notebook 简单便捷，易于理解 使用库：pandas ，numpy ，sklearn，matplotlib，mpl_toolkits

Python实现K-Means聚类后的二维可视化，使用的是生成数据，T-SNE降维后进行可视化，编译器为jupyter notebook 简单便捷，易于理解 使用库：pandas ，numpy ，sklearn，matplotlib，seaborn

Python实现K-Means聚类后的三维可视化，使用的是生成数据，使用T-SNE降维，编译器为jupyter notebook 简单便捷，易于理解 使用库：pandas ，numpy ，sklearn，matplotlib，mpl_toolkits

快速mex K-means聚类算法，可进行K-mean ++初始化 (mex-interface 修改自原始 yael 包 https://gforge.inria.fr/projects/yael) - 接受单/双精度输入 - 支持 BLAS/OpenMP 进行多核计算 请运行 mexme_kmeans.m 来编译 mex 文件（确保已经完成了 mex -setup 至少一个） 运行演示“test_yael_kmeans.m”

摘要凸聚类是 k 均值聚类和层次聚类的一种凸松弛方法，它很好地解决了传统非凸聚类方法的不稳定性问题，近年来备受关注。虽然凸聚类的计算和统计特性最近得到了研究，但