基于K-means聚类和ELM神经网络的养殖水质溶解氧预测.pdf

应用K-means聚类算法划分曲面及实验验证.pdf

一种基于改进SURF和K-Means聚类的布料图像匹配算法.pdf

K-Means聚类算法在MapReduce框架下的实现.pdf

一种改进K-means聚类算法的MapReduce并行化实现.pdf

基于改进LDA和K-means算法的主题句聚类.pdf

一种基于改进蜂群的K-means聚类算法.pdf

基于改进K-means聚类的城市配网组团规划方法.pdf

结合k-means聚类和Hough变换的原木根数统计方法.pdf

smote的matlab代码基于 K-Means 和 SMOTE 的不平衡学习过采样 K-Means SMOTE 是一种针对类不平衡数据的过采样方法。 它通过在输入空间的安全和关键区域生成少数类样本来帮助分类。 该方法避免了噪声的产生，有效地克服了类之间和类内的不平衡。 该项目是 k-means SMOTE 的 Python 实现。 它与 scikit-learn-contrib 项目兼容。 安装 依赖关系 该实现在 python 3.6 下进行了测试，并与最新版本的不平衡学习框架一起使用： 不平衡学习 (>=0.4.0, =1.13, =0.19.0, <0.21) 安装 皮皮 pip install kmeans-smote 从源头 克隆这个存储库并运行 setup.py 文件。 使用以下命令从 GitHub 获取副本并安装所有依赖项： git clone https://github.com/felix-last/kmeans_smote.git cd kmeans-smote pip instal