k均值聚类算法 更多内容
  • k均值

    k均值 概述 “K-均值”节点用于产生聚类模型,用户在使用时需要指定聚类个数。K-均值算法是基于距离的算法,将所有数据归类到其最邻近的中心。 输入 参数 子参数说明 参数说明 inputs dataframe inputs为字典类型,dataframe为pyspark中的DataFrame类型对象

    来自:帮助中心

    查看更多 →

  • 二分k均值

    地分裂它们。二分k-means算法是分裂法的一种。 二分k-means算法k-means算法的改进算法,相比k-means算法,它可以加速k-means算法的执行速度,因为它的相似度计算少了,能够克服k-means收敛于局部最小的缺点。 二分k-means算法的一般流程如下所示:

    来自:帮助中心

    查看更多 →

  • k跳算法(k

    List k跳内的节点id,格式: [vertexId,...], 其中,vertexId:string类型 source String 起点id。 k Integer 跳数。 k_hop_neighbors Integer k跳内的节点个数(不包含起点)。 父主题: 算法API参数参考

    来自:帮助中心

    查看更多 →

  • k跳算法(k

    k算法k_hop) 功能介绍 根据输入参数,执行k算法k算法从起点出发,通过宽度优先搜索(BFS),找出k层与之关联的所有节点。找到的子图称为起点的“ego-net”。k算法会返回ego-net中节点及其个数。 URI POST /ges/v1.0/{project

    来自:帮助中心

    查看更多 →

  • 聚类系数算法(cluster

    聚类系数算法(cluster_coefficient) 功能介绍 根据输入参数,执行cluster_coefficient算法聚类系数算法(cluster_coefficient)用于计算图中节点的聚集程度。 URI POST /ges/v1.0/{project_id}/h

    来自:帮助中心

    查看更多 →

  • 聚类

    聚类 二分k均值 高斯混合模型 k均值 父主题: 模型工程

    来自:帮助中心

    查看更多 →

  • k跳算法(k-hop)

    k算法k-hop) 概述 k算法k-hop)从起点出发,通过宽度优先搜索(BFS),找出k层与之关联的所有节点。找到的子图称为起点的“ego-net”。k算法会返回ego-net中节点的个数。 适用场景 k算法k-hop)适用于关系发现、影响力预测、好友推荐等场景。

    来自:帮助中心

    查看更多 →

  • k核算法(k-core)

    k算法k-core) 概述 k算法k-core)是图算法中的一个经典算法,用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一,较好的体现了节点的传播能力。 适用场景 k算法k-core)适用于社区发现、金融风控等场景。 参数说明 表1 k算法k-core)参数说明

    来自:帮助中心

    查看更多 →

  • k核算法(kcore)

    k算法(kcore) 功能介绍 根据输入参数,执行K算法K算法是图算法中的一个经典算法,用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一,较好的体现了节点的传播能力。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm

    来自:帮助中心

    查看更多 →

  • 聚类系数算法(Cluster Coefficient)

    聚类系数算法(Cluster Coefficient) 概述 聚类系数表示一个图中节点聚集程度的系数。在现实的网络中,尤其是在特定的网络中,由于相对高密度连接点的关系,节点总是趋向于建立一组严密的组织关系。聚类系数算法(Cluster Coefficient)用于计算图中节点的聚集程度。

    来自:帮助中心

    查看更多 →

  • 实时聚类

    实时聚类 聚类算法是非监督算法中非常典型的一类算法,经典的K-Means算法通过提前确定类别数目,计算数据点之间的距离来分类。对于离线静态数据集,我们可以依赖领域中知识来确定类别数目,运行K-Means算法可以取得比较好的聚类效果。但是对于在线实时流数据,数据是在不断变化和演进,

    来自:帮助中心

    查看更多 →

  • 聚类评估

    聚类评估 概述 对聚类模型预测的结果数据集进行评估。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型,dataframe为pyspark中的DataFrame类型对象 输出 聚类的评估指标:轮廓系数silhouette等 参数说明 参数 子参数

    来自:帮助中心

    查看更多 →

  • 实时聚类

    实时聚类 聚类算法是非监督算法中非常典型的一类算法,经典的K-Means算法通过提前确定类别数目,计算数据点之间的距离来分类。对于离线静态数据集,我们可以依赖领域中知识来确定类别数目,运行K-Means算法可以取得比较好的聚类效果。但是对于在线实时流数据,数据是在不断变化和演进,

    来自:帮助中心

    查看更多 →

  • k核算法(kcore)(1.0.0)

    k算法(kcore)(1.0.0) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 k 是 核数。 算法会返回核数大于等于k的节点。 Integer 大于等于0。 - 表2 response_data参数说明 参数 类型 说明 coreness

    来自:帮助中心

    查看更多 →

  • 算法API参数参考

    算法API参数参考 算法公共参数 pagerank算法 personalrank算法(personalrank) k算法(kcore) k算法k_hop) 点集共同邻居(common_neighbors_of_vertex_sets) 最短路径(shortest_path)

    来自:帮助中心

    查看更多 →

  • 算法参考

    算法参考 算法一览表 PageRank算法 PersonalRank算法 k算法k-core) k算法k-hop) 最短路径算法(Shortest Path) 全最短路算法(All Shortest Paths) 带一般过滤条件最短路径(Filtered Shortest

    来自:帮助中心

    查看更多 →

  • 创建分子聚类作业

    参数类型 描述 method 是 String 聚类方法,当前仅支持hiq_mc。 最小长度:1 最大长度:20 file 是 String 分子聚类源数据。 最小长度:1 最大长度:2000 output_dir 是 String 分子聚类输出结果。 最小长度:1 最大长度:1200

    来自:帮助中心

    查看更多 →

  • 高斯混合模型

    "type": "string", "required": "true", "helpTip": ""} "k": 2, # @param {"label": "k", "type": "integer", "required": "true", "range": "(0,2147483647]"

    来自:帮助中心

    查看更多 →

  • 算法

    KhopSample K算法 ShortestPathSample 最短路径算法 AllShortestPathsSample 全最短路径算法 FilteredShortestPathSample 带一般过滤条件最短路径 SsspSample 单源最短路径算法 ShortestP

    来自:帮助中心

    查看更多 →

  • 算法API参数参考

    算法API参数参考 算法公共参数 pagerank算法(1.0.0) personalrank算法(1.0.0) k算法(kcore)(1.0.0) k算法k_hop)(1.0.0) 共同邻居(common_neighbors)(1.0.0) 点集共同邻居(common_n

    来自:帮助中心

    查看更多 →

  • 处理问题聚类任务

    处理问题聚类任务 配置人员可周期性的对指定时间段内的会话做问题聚类分析,将该时间段内用户的问题及其出现频率统计出来,供配置人员做语料分析。 操作步骤 选择“配置中心>机器人管理>语义理解服务”,进入语义理解服务页面。 选择“检查训练 > 问题聚类任务”。单击“启动聚类任务”,填写

    来自:帮助中心

    查看更多 →

共105条
看了本文的人还看了