X-Means 和 G-Means 都是基于 K-Means 的改进算法，主要目标是自动确定最优的聚类数量k，无需人工预先指定。 X-Means X-Means 是一种能够自动确定最佳聚类数量的改进型K-Means算法，它通过统计指标来评估聚类…
ROCK算法概述 ROCK产生背景 传统聚类算法的局限性 20世纪90年代末，随着电子商务、市场篮子分析和生物信息学等领域的快速发展，分类属性和布尔型数据的聚类需求日益凸显。传统聚类方法面临两大挑战： 距…
K-Medians简介 K-Medians 是 K-Means 聚类算法的一种变体，通过使用中位数而非均值来计算聚类中心，从而提升对异常值的鲁棒性。 核心思想 目标函数：最小化每个数据点到其所属聚类中心的曼哈顿距离之…
k-medoids算法概述 k-medoids 是一种基于中心的聚类算法，是 k-means 算法的改进版本。与 k-means 使用簇内数据点的均值作为中心点不同，k-medoids 使用实际数据点作为中心点（称为 medoid）。 与 k-means …
因果推断核心概念 我们将通过一个贯穿始终的简单例子来讲解：评估一个广告（比如一封营销邮件）对用户购买行为的影响。 干预（Treatment）: 发送营销邮件。 W = 1：用户被分配到处理组（计划发送邮件）…
引言：聚类的美好承诺与普遍困境 当我们谈论聚类分析时，脑海中往往会浮现这样一个理想场景：将相似的数据对象自动分组，为业务决策提供清晰指导。这种无监督学习方法的吸引力在于其能够探索数据内在结构，而无需…
香农-范诺编码简介 香农-范诺编码（Shannon-Fano Coding）是一种经典的无损数据压缩算法，由克劳德·香农（Claude Shannon）和罗伯特·范诺（Robert Fano）于1948年左右独立提出。这是第一种基于信息熵理论的压缩算…
哈夫曼编码简介 哈夫曼编码（Huffman Coding）是一种基于字符出现频率进行编码的无损数据压缩算法，由大卫·哈夫曼于1952年提出。它的核心思想是：赋予高频字符较短的编码，赋予低频字符较长的编码，从而使整个数据…
均值池化简介 均值池化（Mean Pooling） 是自然语言处理（NLP）中常用的一种技术，用于将一组词向量（如一个句子中所有词的向量）压缩成一个固定长度的句子向量。它的核心思想是通过简单的数学平均操作，将分散的…
随着机器学习等技术的发展，智能化营销已经渗透到各行各业。商家可以通过多种渠道触达消费者，比如淘宝上商家可以圈定他想要的目标人群，进行广告推送，为店铺拉新，也可以通过短信或旺旺这些渠道定向发放优惠券。…
