https://blog.csdn.net/weixin_46098577/article/details/116129817

从txt读取样本数据（坐标点），通过计算样本之间的距离，选取最小值进行合并。以样本数据的平均值作为该样本的质点。输出结果为txt。

Sparse Subspace Clustering基于人脸分割的子空间聚类的原始代码。

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

k-means聚类算法及matlab代码目录 介绍 K-均值聚类是一种简单且可扩展的聚类方法，它以一种客观的方式将观察结果划分为k个聚类。 它具有非常广泛的应用，例如图像分割，零售产品分类（Kusrini，2015），温室气体排放等环境问题（Kijewska和Bluszcz，2015）。 K均值聚类可以与其他高级方法结合使用。 例如，它与支持向量机（SVM）一起使用来执行自动文本分类（Perrone和Connell，2000年）。 它也可以用作预处理方法，例如在隐马尔可夫模型（HMM）中初始化（Hu和Zanibbi，2011年）。 它的广泛应用和简单的计算复杂度使k-means聚类成为当今流行的方法之一。 当维数d> 1且簇数k> 1时，找到k均值成本函数的最小值是一个NP难题。 科学家想出了几种启发式方法来找到局部最小值，但是该过程仍然需要大量计算，尤其是对于具有高维特征的大型数据集而言。 因此，我们希望在机器集群上实现k-means启发式方法的并行版本，以在不牺牲算法准确性的情况下显着加快算法的运行速度。 k均值聚类的典型方法是期望最大化（EM）。 E步将点分配到最近的聚类中心，而

深度集群：方法和实现 调查文件 会议 代码 IEEE访问2018 Arxiv 2018 预印纸 方法 会议 代码 香料 Arxiv 2021 DHOG 2020年Arxiv -- CLD 2020年Arxiv 混合 2020年Arxiv IFCA 2020年Arxiv -- Arxiv 2019 -- Arxiv 2019 DCC Arxiv 2018 优雅 Arxiv 2017 MIXAE Arxiv 2017 DBC Arxiv 2017 DCN 2016年Arxiv CPAC Arxiv 2018 DTC Arxiv 2018 刚果民主共和国 2020年Arxiv 纸 方法 会议 代码 东京都 ECCV 2020 RUC CVPR 2021 -- IJCNN 2020 -- 聚氯乙烯 ICLR 2021 GATCluster ECCV 2020 DC

科研人员，研究生，在校学生

聚类数据集，有人工、真实数据集。带标签

针对电信领域客户流失的问题,提出了改进聚类的客户流失预测模型。根据通信行业中实际客户流失数据的正负样本数量不平衡而且数据量特别大的特点,提出带有不同权重参数的改进聚类算法,并将其用于电信行业的客户流失预测模型中。通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度,能够取得较好的客户流失预测效果。

对模糊聚类分析法进行分类，总结聚类分析法的步骤和方法，并举例说明其应用