Clusterfck项目技术文档
2024-12-24 01:08:48作者:蔡怀权
1. 安装指南
在开始使用Clusterfck之前,您需要先安装该库。以下是安装步骤:
对于Node.js环境,您可以通过npm命令进行安装:
npm install clusterfck
如果您希望在浏览器中使用,可以下载浏览器的文件版本。
2. 项目使用说明
Clusterfck是一个JavaScript的聚类分析库,支持层次聚类(Hierarchical clustering)和K-means聚类。
K-means聚类
以下是使用K-means聚类的示例代码:
var clusterfck = require("clusterfck");
var colors = [
[20, 20, 80],
[22, 22, 90],
[250, 255, 253],
[0, 30, 70],
[200, 0, 23],
[100, 54, 100],
[255, 13, 8]
];
// 计算聚类。
var clusters = clusterfck.kmeans(colors, 3);
kmeans函数的第二个参数是要生成的聚类数(默认值为Math.sqrt(n/2),其中n是向量的数量)。返回值是一个包含聚类的数组。
分类
对于分类,需要实例化一个新的Kmeans对象。
var kmeans = new clusterfck.Kmeans();
// 计算聚类。
var clusters = kmeans.cluster(colors, 3);
// 为一个新的数据点计算聚类索引。
var clusterIndex = kmeans.classify([0, 0, 225]);
序列化
toJSON()和fromJSON()方法可以用于序列化和反序列化。
// 将质心序列化为JSON。
var json = kmeans.toJSON();
// 从JSON反序列化质心。
kmeans = kmeans.fromJSON(json);
// 从先前序列化的质心计算聚类索引。
var clusterIndex = kmeans.classify([0, 0, 225]);
使用现有质心初始化
// 使用来自数据库的现有质心?
var centroids = [ [ 35.5, 31.5, 85 ], [ 250, 255, 253 ], [ 227.5, 6.5, 15.5 ] ];
// 使用质心初始化构造函数。
var kmeans = new clusterfck.Kmeans(centroids);
// 计算聚类索引。
var clusterIndex = kmeans.classify([0, 0, 225]);
访问质心和K值
聚类计算完成后或通过fromJSON()加载后,可以通过centroids属性访问计算得到的中心,通过centroids.length获取K值。
// 计算聚类。
var clusters = kmeans.cluster(colors, 3);
// 访问质心,长度为3的数组。
var centroids = kmeans.centroids;
// 访问k值。
var k = centroids.length;
层次聚类
以下是使用层次聚类的示例代码:
var clusterfck = require("clusterfck");
var colors = [
[20, 20, 80],
[22, 22, 90],
[250, 255, 253],
[100, 54, 255]
];
var clusters = clusterfck.hcluster(colors);
hcluster函数返回一个对象,该对象表示聚类的层次结构,具有left和right子树。叶节点聚类具有value属性,这是数据集中的向量。
距离度量和方法
可以指定距离度量,包括"euclidean"(默认)、"manhattan"和"max"。连接准则可以是"average"(默认)、"single"和"complete"。
var tree = clusterfck.hcluster(colors, "euclidean", "single");
3. 项目API使用文档
Clusterfck库提供的API包括:
kmeans: 进行K-means聚类。Kmeans: K-means聚类的构造函数,可用于分类、序列化、反序列化和使用现有质心初始化。hcluster: 进行层次聚类。
更多详细的使用方法和示例,请参考项目的readme文件。
4. 项目安装方式
如安装指南中所述,您可以通过npm命令来安装Clusterfck库:
npm install clusterfck
或者,如果您希望在浏览器中使用,可以下载对应的浏览器文件版本。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781