登录社区云，与社区用户共同成长
邀请您加入社区
摘要： 开源鸿蒙跨平台社区引入fluster库，基于四叉树算法实现高效地理聚类计算，解决地图应用中大量标记点渲染导致的性能问题。核心价值包括：极效空间索引（Quadtree）和多层级智能缓冲（Zoom Levels Cluster）。通过Dart实现跨平台支持，提供简洁API，支持自定义数据模型与动态聚合。示例展示万台车辆实时指挥等场景，建议使用Isolate避免主线程阻塞。实战代码演示如何将15
本文介绍了几种常见的聚类性能外部评估指标，包括Jaccard 系数FM 指数Rand 指数DB 指数和Dunn 指数。有真实标签时：优先使用（平衡随机性）无真实标签时：使用DB或Dunn小规模数据：可计算所有指标综合判断通过灵活组合这些指标，可以全面评估聚类模型的表现！原创作者: wang_yb转载于: https://www.cnblogs.com/wang_yb/p/188838941.【sc
本文系统介绍了三种常见的原型聚类算法及其Python实现。首先阐述了聚类的核心概念，即通过寻找数据集中的代表性原型来划分数据簇。随后详细剖析了K-Means、学习向量量化(LVQ)和高斯混合聚类三种算法的原理、特点及应用场景：K-Means算法简单高效但需预设K值；LVQ算法适合密集分布数据；高斯混合聚类能处理复杂分布。在实现部分，通过scikit-learn等库展示了各算法的Python代码和可
本文介绍了使用Python的sklearn库实现KMeans聚类算法对啤酒数据进行无监督分类的完整流程。通过轮廓系数评估不同K值（2-9）的聚类效果，选择最优聚类数K=3。分析步骤包括：数据读取、特征选择、K值遍历计算轮廓系数、可视化评估和结果分析。文章还提供了后续拓展操作建议，如分析各簇特征均值、解决初始质心随机性问题等，并指出了数据格式、特征类型、K值范围等注意事项。该流程可直接应用于客户分群
Numenta异常基准(NAB)是一个综合性的时间序列异常检测评估框架，涵盖了工业测量传感器数据、真实网络流量监控数据、在线广告交换系统数据以及合成生成的模拟数据等多个应用领域的时间序列样本。本文选用NAB数据集中的artificialWithAnomaly子集作为实验数据。该子集包含人工合成的时间序列数据，其中注入了预定义的异常模式，为无监督异常检测算法的有效性验证提供了理想的测试环境。数据集的
本文介绍了K-Means聚类算法的核心原理和应用场景。算法通过计算数据点与质心的欧氏距离进行迭代聚类，包含初始化、分配数据点、更新质心和迭代优化四个步骤。文章通过5个数据点的示例详细演示了计算过程，并对比了标准K-Means与Mini-Batch K-Means的工业应用差异。最后展示了使用Python sklearn库实现K-Means的代码示例，包括数据生成、聚类分析和Calinski-Har
车联网（Internet of Vehicles, IoV）是一个快速兴起的技术范式，其核心特征包括动态网络拓扑、特定车辆移动模式、节点密度与速度的动态波动。为这类网络设计高效的路由算法仍是一项关键挑战。在车载自组织网络（VANETs）中，路侧单元（RSU）是部署在道路沿线及交叉路口的边缘计算设备，为路由提供支持。生物启发式优化算法具有极强的适应性、参数并发性高的特点，非常适合应用于该领域。车辆聚
本文从理论到实践完整介绍了K-Means聚类算法的实现过程。首先阐述了K-Means的核心目标与迭代步骤，分析了初始化、距离度量等关键点及常见问题。随后通过Python代码逐步实现了K-Means算法，包括中心点初始化、样本分配、中心点更新等核心功能，并对比了scikit-learn的实现差异。文章还提供了聚类结果可视化方法，以及通过轮廓系数确定最佳簇数的进阶实验。该实现不仅帮助理解算法原理，也为
聚类算法的选择取决于数据的特性、问题的需求以及对结果的解释性要求。k-均值简单高效，但对簇形状有较强假设；DBSCAN能够处理复杂形状和噪声；层次聚类则提供了数据的层次结构。在实际应用中，我们通常需要尝试多种算法，并根据具体问题选择最适合的聚类方法。原创作者: wang_yb转载于: https://www.cnblogs.com/wang_yb/p/188965931.【scikit-learn
密度聚类算法是一种基于数据分布密度的无监督机器学习方法，它通过识别数据空间中样本的密集区域来发现任意形状的簇。与K-means等划分式聚类不同，它不需要预先指定簇数量，还能有效识别噪声点。将数据空间视为**“密度地图”**，算法像探险队一样：密度聚类如同发现数据宇宙中的"星团"，特别适合处理现实世界中不规则分布、含噪声的数据集，是探索性数据分析的利器。多任务学习（Multi-Task Learni
车联网（Internet of Vehicles，IoV）凭借动态的网络拓扑、独特的车辆移动模式、波动的节点密度与速度，成为快速崛起的技术范式。然而，为这类网络设计高效的路由算法仍是一项严峻挑战。在车载自组织网络（VANETs）中，路侧单元（RSUs）作为部署于道路及路口的边缘计算设备，为路由提供支持。受生物启发的优化算法适应性强、参数并行度高，非常适合应用于该领域，同时车辆聚类也有助于降低网络管
摘要：本文介绍开源工具icon_font_generator如何优化鸿蒙应用开发，实现SVG图标到字体文件的自动化转换。该工具可一键生成.ttf字体文件和Dart引用类，支持自动命名、零配置本地化操作。文章详细讲解了安装使用、字体注册方法，并提供了鸿蒙工程适配建议和实战示例，强调该工具能有效提升图标管理效率，终结人工维护Unicode码的历史。建议开发者建立专用SVG文件夹，并将生成命令集成到开发
