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

kmeans算法 文本相似度计算（可控制台手动输入数据）

KMeans算法的并行化实验 KMeans算法的并行化实验 KMeans算法的并行化实验

使用该文件应用于聚类算法 - KMeans算法，GMM算法等等

资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建聚类模型 7.结论与展望

带canopy预处理的kmeans算法 （1）将数据集向量化得到一个list后放入内存，选择两个距离阈值：T1和T2。  （2）从list中任取一点P，用低计算成本方法快速计算点P与所有Canopy之间的距离（如果当前不存在Canopy，则把点P作为一个Canopy），如果点P与某个Canopy距离在T1以内，则将点P加入到这个Canopy；  （3）如果点P曾经与某个Canopy的距离在T2以内，则需要把点P从list中删除，这一步是认为点P此时与这个Canopy已经够近了，因此它不可以再做其它Canopy的中心了；  （4）重复步骤2、3，直到list为空结束

大数据聚类算法与处理与kmeans 算法综述

简单的实现了K_means算法的可视化，这里分析的主要是坐标信息，数据源是文本信息txt文件。数据源大家可以修改

K-means聚类，手撕代码、包括数据生成、模型展示，可直接运行

2017年高教社杯全国大学生数学建模B题优秀论文（附代码） 2017年高教社杯全国大学生数学建模B题优秀论文（附代码）