目录前言一、用户画像概述1.用户画像2.为何用聚类算法作用户画像二、数据质量校验1.数据背景2.数据说明三、数据预处理1.数据空缺值检验 2.数据归一化四、K-means聚类step1:选取K值手肘法step2:计算初始化K点step3:迭代计算重新划分五.画像分析前言该项目算是非常经典的金融业务用户画像的基础分析了，主要根据用户信用卡使用行为数据进行分析，根据收集到的不同字段信息，对每个用户划分类别。这里需要说明一下的是，聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面，这点并不会考虑到每个字段的含义，也就是分成的类别并不是用户价值等级，此类别仅仅是这个类别大体相同的信用卡用户行为对
目录前言一、用户画像概述1.用户画像2.为何用聚类算法作用户画像二、数据质量校验1.数据背景2.数据说明三、数据预处理1.数据空缺值检验 2.数据归一化四、K-means聚类step1:选取K值手肘法step2:计算初始化K点step3:迭代计算重新划分五.画像分析前言该项目算是非常经典的金融业务用户画像的基础分析了，主要根据用户信用卡使用行为数据进行分析，根据收集到的不同字段信息，对每个用户划分类别。这里需要说明一下的是，聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面，这点并不会考虑到每个字段的含义，也就是分成的类别并不是用户价值等级，此类别仅仅是这个类别大体相同的信用卡用户行为对
目录前言一、聚类分析二、K-means原理1.距离度量算法欧几里得距离（欧氏距离）
目录前言一、聚类分析二、K-means原理1.距离度量算法欧几里得距离（欧氏距离）
一、引言 当我们进行图像处理算法时，进行均值滤波、中值滤波等相关的计算操作时，其中的核心部分应该就是矩阵运算了，需要生成图像像素矩阵，在C语言中，我们可以直接用数组表示，但是在使用FPGA进行图像处理时，verilog却无法实现这样的操作。那么在FPGA设计中，如果需要进行3*3的矩阵运算时又该如何处理呢，在理论上可以有以下三种方法使用： 1、通过2个或者3个RAM的存储来实现3*3像素窗口； 2、通过2个或者3个FIFO的存储来实现3*3像素窗口； 3、通过2行或者3行SHIFT-RAM的存储来实现3*3像素窗口； 在使用
一、引言 当我们进行图像处理算法时，进行均值滤波、中值滤波等相关的计算操作时，其中的核心部分应该就是矩阵运算了，需要生成图像像素矩阵，在C语言中，我们可以直接用数组表示，但是在使用FPGA进行图像处理时，verilog却无法实现这样的操作。那么在FPGA设计中，如果需要进行3*3的矩阵运算时又该如何处理呢，在理论上可以有以下三种方法使用： 1、通过2个或者3个RAM的存储来实现3*3像素窗口； 2、通过2个或者3个FIFO的存储来实现3*3像素窗口； 3、通过2行或者3行SHIFT-RAM的存储来实现3*3像素窗口； 在使用
Date:2022.4.17文章目录前言1、篡改视频生成2、篡改检测2.1、二次切比雪夫检测2.2、k-means检测3、运行结果分析前言在之前的时候，毕业设计中实现了基于帧间相关性和K-means的视频篡改检测算法，效果不错，采用matlab语言实现。主要思路包括：利用相关性变化度为特征，利用二次切比雪夫挑出离群点（异常点）；利用K-means聚类算法检测视频异常点需要相关代码可以加文章最后的QQ名片咨询博主。1、篡改视频生成篡改的类型包括：视频帧删除、视频帧插入和视频帧替换。2、篡改检测以视频帧替换为例：篡改视频如下：
Date:2022.4.17文章目录前言1、篡改视频生成2、篡改检测2.1、二次切比雪夫检测2.2、k-means检测3、运行结果分析前言在之前的时候，毕业设计中实现了基于帧间相关性和K-means的视频篡改检测算法，效果不错，采用matlab语言实现。主要思路包括：利用相关性变化度为特征，利用二次切比雪夫挑出离群点（异常点）；利用K-means聚类算法检测视频异常点需要相关代码可以加文章最后的QQ名片咨询博主。1、篡改视频生成篡改的类型包括：视频帧删除、视频帧插入和视频帧替换。2、篡改检测以视频帧替换为例：篡改视频如下：
前言聚类问题是无监督学习的问题，算法思想就是物以类聚，人以群分，聚类算法感知样本间的相似度，进行类别归纳，对新输入进行输出预测，输出变量取有限个离散值。本次我们使用两种方法对鸢尾花数据进行聚类。无监督就是没有标签的进行分类K-means聚类算法K-means聚类算法（k-均值或k-平均）聚类算法。算法思想就是首先随机确定k个中心点作为聚类中心，然后把每个数据点分配给最邻近的中心点，分配完成后形成k个聚类，计算各个聚类的平均中心点，将其作为该聚类新的类中心点，然后迭代上述步骤知道分配过程不在产生变化。算法流程随机选择K个随机点（成为聚类中心）对数据集中的每个数据点，按照距离K个中心点的距离，将其
前言聚类问题是无监督学习的问题，算法思想就是物以类聚，人以群分，聚类算法感知样本间的相似度，进行类别归纳，对新输入进行输出预测，输出变量取有限个离散值。本次我们使用两种方法对鸢尾花数据进行聚类。无监督就是没有标签的进行分类K-means聚类算法K-means聚类算法（k-均值或k-平均）聚类算法。算法思想就是首先随机确定k个中心点作为聚类中心，然后把每个数据点分配给最邻近的中心点，分配完成后形成k个聚类，计算各个聚类的平均中心点，将其作为该聚类新的类中心点，然后迭代上述步骤知道分配过程不在产生变化。算法流程随机选择K个随机点（成为聚类中心）对数据集中的每个数据点，按照距离K个中心点的距离，将其
