基于emgu（opencv）的Kmeans算法 C#.net

针对传统话题检测方法在微博短文本上存在高维稀疏的缺陷，提出了一种基于特征融合的K-means微博话题发现模型。为了更好地表达微博话题的语义信息，使用在句子中共现的词对向量模型（Biterm_VSM）代替传统的向量空间模型（Vector Space Model，VSM），并结合主题模型（Latent Dirichlet Allocation，LDA）挖掘出微博短文本中的潜在语义，把两个模型得到的特征进行特征融合，并应用K-means聚类算法进行话题的发现。实验结果表明，与传统的话题检测方法相比，该模型的调整兰德系数（Adjusted Rand index，ARI）为0.80，比传统的话题检测方法提高了3%~6%。

K-Means是个简单实用的聚类算法，这里对K-Means的优缺点做一个总结.

传统个人信用评估模型对客户预测的结果要么是“违约”，要么是“不违约”，但在现实生活中，未违约的人群中也存在违约可能，而违约人群中也有一定的概率选择不违约，鉴于此现象，银行会对情况相似且有相似违规率的客户进行信息等级划分，针对不同等级的客户实施不同的贷款政策。因此文中从实际情况出发，提出个人信用度，再将信用度转变成信用等级，进而以信用等级作为新的个人信用评估标准，不再仅仅输出“违约”，“不违约”作为评估标准。

使用NVIDIA CUDA的“阴阳” K均值和K-nn K均值的实现基于 。 尽管它引入了一些开销和许多对CUDA不利的条件子句，但与Lloyd算法相比，它仍然显示出1.6到2倍的加速。 K近邻采用相同的三角形不等式思想，并且需要预先计算的质心和聚类分配，类似于展平的球树。 sklearn KMeans KMeansRex KMeansRex OpenMP 塞班 克库达 kmcuda 2 GPU 速度 1倍 4.5倍 8.2倍 15.5倍 17.8倍 29.8倍 记忆 1倍 2倍 2倍 0.6倍 0.6倍 0.6倍 从技术上讲，该项目是一个共享库，可导出kmcuda.h定义的两个函数： kmeans_cuda和knn_cuda 。 它具有内置的Python3和R本机扩展支持，因此您可以from libKMCUDA import kmeans_cuda或dyn.load("libKMCUDA.so") 。 目录 K均值 该项目与其他项目之间的主要区别在于，kmcuda已针对内存消耗低和大量群集进行了优化。 例如，kmcuda可以将480个维度中的4M个样本分类为40000个

K-means Python实现+Iris数据集

K-means聚类的MATLAB实现，GUI界面

主要介绍了Python用K-means聚类算法进行客户分群的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

affine non-local means image denoising

一、背景 1.项目描述 你拥有一个超市(Supermarket Mall)。通过会员卡，你用有一些关于你的客户的基本数据，如客户ID，年龄，性别，年收入和消费分数。 消费分数是根据客户行为和购买数据等定义的参数分配给客户的。 问题陈述：你拥有这个商场。想要了解怎么样的顾客可以很容易地聚集在一起(目标顾客)，以便可以给营销团队以灵感并相应地计划策略。 2.数据描述 字段名 描述 CustomerID 客户编号 Gender 性别 Age 年龄 Annual Income (k$) 年收入，单位为千美元 Spending Score (1-100)