正在加载中...

算法教程

查看算法原理、公式、操作流程和结果说明。

当前目录 204 个算法 · 已发布 197 篇教程
类目 全部 评价与决策分析 预测与时间序列 数学统计与计量金融 机器学习（监督学习） 聚类与降维（无监督） 深度学习与时序网络 自然语言处理（NLP） 异常检测 优化与多目标（智能优化） 灰色系统与模糊理论 可解释性与 AutoML 工具类(可视化,公式识别)及工具箱 计算机CV类
No.114 可在线阅读

BIRCH-BIRCH

BIRCH（Balanced Iterative Reducing and Clustering using Hierarchies）原本是一类基于聚类特征（Clustering Feature, CF）树的层次聚类方法，适用于大规模数据的逐步压缩与聚类分析。本项目中的 BIR…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.115 可在线阅读

DBSCAN-密度聚类

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种典型的基于密度的聚类方法，其基本思想是：在给定邻域半径与最小样本数阈值的条件下，将高密度区域扩展为聚类，并将无法归入任何高密度区域的样本识…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.116 可在线阅读

FCM-模糊 C 均值

FCM（Fuzzy C-Means）是一类典型的模糊聚类方法。与 K-Means 等硬划分算法不同，FCM 不直接把每个样本唯一分配到某一个簇，而是为每个样本分配对所有簇的隶属度，从而更适合处理簇间边界模糊、样本过渡性较强的数据结构。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.117 可在线阅读

GMM-高斯混合模型

高斯混合模型（Gaussian Mixture Model, GMM）是一类典型的概率式软聚类方法。它假定样本总体由若干个高斯分布成分混合生成，每个样本同时对多个成分具有不同的后验归属概率，因此比 K-Means 这类硬划分方法更适合描述椭球状簇结构和簇间边界不清晰的数据。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.118 可在线阅读

HDBSCAN-HDBSCAN

HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise）可以看作 DBSCAN 的层次化扩展。它不再依赖单一固定密度阈值，而是通过互可达距离构造层次聚类结构，再从层次树中选…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.119 可在线阅读

Hierarchical-层次聚类

层次聚类（Hierarchical Clustering）是一类通过递归合并或递归拆分来构建簇层次结构的聚类方法。与 K-Means、GMM 等“先设定簇结构再优化”的方法不同，层次聚类会先生成完整的树状层次关系，然后再按照目标簇数或距离阈值进行切割，因此特别适合用于观察样本之…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.120 可在线阅读

ISODATA-ISODATA

ISODATA（Iterative Self-Organizing Data Analysis Technique）通常被理解为一种在 K-Means 基础上引入簇分裂与簇合并机制的自适应聚类方法。与固定簇数的传统 K-Means 不同，ISODATA 会在迭代过程中根据簇内离…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.121 可在线阅读

Isomap-Isomap

Isomap（Isometric Mapping）是一类典型的非线性流形降维方法。它的基本思想不是直接在原始高维欧氏距离上做线性投影，而是先在样本邻域图上估计测地距离，再对测地距离矩阵执行经典多维尺度分析（Classical MDS），从而在低维空间中尽可能保持流形上的几何结构。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.122 可在线阅读

KMeans-K-均值聚类

K-Means 是最常用的原型聚类方法之一，其核心思想是：给定簇数 K，通过迭代地执行“样本归属分配”和“簇中心更新”，使簇内平方和最小。与 DBSCAN、HDBSCAN 等基于密度的方法不同，K-Means 需要用户预先给定聚类数，更适合发现近似球状、规模相对均衡的簇结构。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.123 可在线阅读

KMedoids-K-中心点

K-Medoids 是一类与 K-Means 密切相关的划分式聚类方法。二者都需要预先给定聚类数 K，也都通过“样本分配 + 中心更新”的方式迭代优化；但 K-Medoids 的中心不是簇均值，而是簇内某个真实样本点（medoid，中心点）。因此，当数据中存在异常值或距离度量不…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.124 可在线阅读

KPCA-核主成分

核主成分分析（Kernel PCA, KPCA）是在 PCA 基础上引入核技巧得到的非线性降维方法。它的核心思想是：先通过核函数把样本隐式映射到高维特征空间，再在该特征空间中执行类似 PCA 的特征分解，从而提取能够刻画非线性结构的低维表示。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.125 可在线阅读

LLE-局部线性嵌入

局部线性嵌入（Locally Linear Embedding, LLE）是一类经典的流形学习方法。它的核心思想是：高维样本虽然整体分布可能是非线性的，但在每个样本的局部邻域内往往仍近似服从线性结构。LLE 先在原空间中用邻域重构权重刻画这种局部线性关系，再在低维空间中尽量保持…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.126 可在线阅读

MDS-多维尺度

多维尺度分析（Multi-Dimensional Scaling, MDS）是一类根据样本之间的相似性或距离关系来构造低维表示的方法。其目标不是直接对原始特征做线性投影，而是在低维空间中寻找一组坐标，使低维空间中的样本间距离尽可能逼近原始空间中的距离关系。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.127 可在线阅读

MeanShift-MeanShift

Mean Shift 是一种典型的基于密度峰值搜索的聚类方法。它不要求用户预先指定聚类数，而是通过在特征空间中不断把样本向局部密度更高的位置平移，最终收敛到若干密度峰，并以这些峰作为簇中心。

PDF 配套资料 Word 配套资料
在线阅读 算法详情
No.128 可在线阅读

NMF-非负矩阵分解

非负矩阵分解（Non-negative Matrix Factorization, NMF）是一类把非负数据矩阵分解为两个低秩非负矩阵乘积的方法。与 PCA、SVD 等允许正负抵消的分解不同，NMF 在分解过程中要求各因子均保持非负，因此往往更容易得到“部分加和式”的可解释结果…

PDF 配套资料 Word 配套资料
在线阅读 算法详情
飞书图文教程合集

适合连续阅读，作为本站在线教程的补充入口。

打开飞书教程