為您找到相關(guān)結(jié)果62,552個(gè)
Python使用K-means實(shí)現(xiàn)文本聚類功能_python_腳本之家
實(shí)現(xiàn)思路是使用 K-means算法通過高頻詞對文本內(nèi)容進(jìn)行聚類,K-means算法實(shí)現(xiàn)原理簡單易于理解,缺點(diǎn)是詞與詞之間的順序性和相互關(guān)系不能在分類中得到體現(xiàn)。實(shí)現(xiàn)步驟如下: 使用jieba對文本內(nèi)容進(jìn)行分詞處理; 去掉停用詞; 使用TF-IDF算法將上一步過濾后的分詞列表轉(zhuǎn)換成矩陣形式; 使用K-means聚類算法對矩陣計(jì)算相似性; 獲取每個(gè)聚類
www.dbjr.com.cn/python/329900k...htm 2025-6-10
Kmeans聚類算法python sklearn用戶畫像教程_python_腳本之家
在運(yùn)用Kmeans算法時(shí),我們一般不知道數(shù)據(jù)的分布情況,不可能知道數(shù)據(jù)的集群數(shù)目,所以一般通過枚舉來確定k的值。 另外,在實(shí)際應(yīng)用中,由于Kmean一般作為數(shù)據(jù)預(yù)處理,或者用于輔助分類貼標(biāo)簽,所以k一般不會(huì)設(shè)置很大。 2.2 初始質(zhì)心的選取 Kmeans算法對初始質(zhì)心的選取比較敏感,選取不同的質(zhì)心,往往會(huì)得到不同的結(jié)果。 初始質(zhì)...
www.dbjr.com.cn/python/293043n...htm 2025-6-5
Python機(jī)器學(xué)習(xí)算法之k均值聚類(k-means)_python_腳本之家
returnsse,clunew,data,k if__name__=='__main__': k=3#給出要分類的個(gè)數(shù)的k值 data=load()#裝載數(shù)據(jù) clu=random.sample(data[:,1:].tolist(),k)#隨機(jī)取質(zhì)心 clu=np.array(clu) sse,clunew,data,k=classify(data,clu,k) whilenp.any(sse!=0): sse,clunew,data,k=classify(data,clunew,...
www.dbjr.com.cn/article/1352...htm 2025-6-6
Kmeans均值聚類算法原理以及Python如何實(shí)現(xiàn)_python_腳本之家
Kmeans均值聚類算法原理以及Python如何實(shí)現(xiàn) 這個(gè)算法中文名為k均值聚類算法,首先我們在二維的特殊條件下討論其實(shí)現(xiàn)的過程,方便大家理解。 第一步.隨機(jī)生成質(zhì)心 由于這是一個(gè)無監(jiān)督學(xué)習(xí)的算法,因此我們首先在一個(gè)二維的坐標(biāo)軸下隨機(jī)給定一堆點(diǎn),并隨即給定兩個(gè)質(zhì)心,我們這個(gè)算法的目的就是將這一堆點(diǎn)根據(jù)它們自身的坐標(biāo)...
www.dbjr.com.cn/article/1965...htm 2025-6-10
詳解基于K-means的用戶畫像聚類模型_python_腳本之家
使用K-means進(jìn)行用戶聚類劃分主要的目的是實(shí)現(xiàn)用戶畫像的電影推薦系統(tǒng),該推薦包括兩部分,第一部分通過協(xié)同過濾實(shí)現(xiàn)電影推薦 ,第二部分,構(gòu)建用戶畫像實(shí)現(xiàn)電影推薦,實(shí)現(xiàn)通過靜態(tài)屬性實(shí)現(xiàn):用戶性別,年齡,地域,角色(學(xué)生、上班族、待業(yè))、地域、婚姻狀態(tài),使用聚類(K-mens)算法對人群進(jìn)行劃分,實(shí)現(xiàn)相同人群的電影推薦,其次動(dòng)態(tài)...
www.dbjr.com.cn/article/2483...htm 2025-6-12
基于K-Means聚類算法演示及可視化展示_python_腳本之家
KMeans聚類 clf = KMeans(n_clusters=3) 表示類簇?cái)?shù)為3,聚成3類數(shù)據(jù),clf即賦值為KMeans y_pred = clf.fit_predict(X) 載入數(shù)據(jù)集X,并且將聚類的結(jié)果賦值給y_pred """ clf=KMeans(n_clusters=3) y_pred=clf.fit_predict(X) # 輸出聚類預(yù)測結(jié)果,20行數(shù)據(jù),每個(gè)y_pred對應(yīng)X一行,聚成3類,類標(biāo)為0、...
www.dbjr.com.cn/article/2664...htm 2025-6-11