贝叶斯估计中C值的确定方法
[LATEXPAGE] 什么是C值？ 想象一下你要估计一个网约车司机的完单率（比如接单后成功完成的比例）。你有两种信息： 样本信息：这个司机实际接了多少单，完成了多少单 先验信息：所有司机的平均完单率是多少 C值就是用来平衡这两种信息的"调…
法→原理
基于密度的聚类BANG
BANG算法概述 BANG算法是21世纪初提出的一种用于空间数据聚类的算法，它结合了网格划分和层次聚类的思想，旨在高效地发现数据集中任意形状、不同密度的聚类，并且能够识别嵌套的聚类结构。 BANG算法是一种巧妙的混合方法，它通过平衡网格获得…
随机搜索的大规模数据聚类CLARANS
CLARANS简介 CLARANS（Clustering Large Applications based on RANdomized Search，基于随机搜索的大规模应用聚类）是一种经典的聚类算法，由Raymond T. Ng和Jiaw…
K-Means改进算法X-Means/G-Means
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…
层次聚类方法ROCK
[LATEXPAGE] 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： 距离度量的不适…
机器学习聚类算法之K-Medians
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和 与 K-Means …
机器学习聚类算法之k-medoids
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 …
开源因果推断库CausalML
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）。 W = 0：用户被分配到对照组…
为什么聚类常让人失望
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，而无需预先标记的训练数据。 然而在实际应用中，许…
字符压缩编码之香农-范诺编码（Shannon-Fano Coding）
[LATEXPAGE] 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…
