https://blog.csdn.net/li1873997/article/details/124928987
本人博客介绍：算法笔记（16）K-Means++算法及Python代码实现
2022-05-23 19:07:23
7KB
K均值
KMeans 算法的 Map Reduce 实现。 该程序在单/多节点 Hadoop 集群上运行，并在 AMazon Elastic Map Reduce 多节点集群上进行了测试。
2022-05-19 22:26:18
4KB
1
在 AODV 路由中，路由发现是通过泛洪方法完成的，即向发送者传输范围内的所有节点广播路由请求 (RREQ) 包。它通常会导致不必要的 RREQ 数据包重传和响应生成的回复 (RREP) 数据包，从而导致数据包冲突和网络拥塞。在这个项目中，我为 AODV 提出了一种优化的路由发现方法。关键思想是使用 K-Means 聚类算法来选择 RREQ 数据包转发器的最佳集群，而不是广播。该方法的目的是减少网络中不必要的控制包传输，从而减少网络的拥塞和端到端延迟。
K-Means 聚类中使用的特征：
到目的地的距离
传输错误数
空闲缓冲空间
根据邻居的这些特征选择最佳集群。
2022-05-11 09:04:26
187KB
北邮+机器学习+自动化+yhh+机器学习实验+作业+Kmeans算法+大家都懂的，作业居多的老师，创作不易
2022-04-30 13:06:14
1KB
使用基于 k-means 算法的进化聚类进行图像分割目标函数：使用距离度量测量的簇内距离图像特征：3个特征（R，G，B值） 它还包含一个基于矩阵的输入样本示例
2022-04-29 16:33:35
5KB
1
从零开始的高斯混合模型
算法类型：聚类算法使用的数据集：从sklearn导入的虹膜数据集
最终集群的输出
要求：
Jupyter笔记本或Google Colab 库： 熊猫： ： numpy： ：//numpy.org/install/ Matplotlib： ：//matplotlib.org/stable/users/installing.html sklearn： ://scikit-learn.org/stable/install.html scipy： ：//pypi.org/project/scipy/
涉及的步骤：
对于Google Colab：
在任何浏览器上打开google colab。
在Google Colab中上传文件“ 19BCE1328_Gaussian混合物模型”。
运行笔记本中的所有单元并查看输出。
参见图以可视化最终结果。
对于Jup
2022-03-11 10:46:35
416KB
1