当前位置：网站首页 » 导读 » 内容详情

聚类生活推广系统新上映_聚类生活推广系统是什么(2024年12月抢先看)

内容来源：站长SEO所属栏目：导读更新日期：2024-11-29

聚类生活推广系统

大学生数学建模必备模型全解析！数学建模在大学生活中占据着重要的地位，它不仅能帮助我们理解复杂的数学理论，还能在实际问题中找到应用。以下是数学建模中一些常见的模型，帮助你更好地掌握这个领域。一、预测与预报 𐟓ˆ 灰色预测模型：当数据样本点少且呈现指数或曲线形式时，这个模型非常有用。通过极值点和稳定点来预测下一次稳定点或极值点出现的时间点。微分方程预测：虽然数学功底要求较高，但能通过公式推导找到原始数据的变化速度关系，进而转化为原始数据的关系。回归分析预测：适用于求一个因变量与若干自变量之间的关系。要求自变量之间的协方差较小，且样本点个数满足特定条件。马尔科夫预测：适用于数据之间随机性强、相互不影响的情况，如预测天气温度的变化。时间序列预测：与马尔科夫链预测互补，适用于至少有2个点需要信息传递的情况，如AR模型、MA模型、ARMA模型等。小波分析预测：适用于数据无规律、海量数据的情况，可以将波进行分离，分离出周期数据和规律性数据。神经网络预测：适用于大量数据的情况，不需要模型，只需要输入和输出，黑箱处理。混沌序列预测：虽然较难掌握，但数学功底要求高。二、评价与决策 𐟎衧𓊧𛼥ˆ评判：经常用于评价一个对象或学校的优良中差等层次评价。主成分分析：用于评价多个对象的水平并排序，指标间关联性很强。层次分析法（AHP）：用于做决策，如去哪旅游，通过指标综合考虑做出决策。数据包络（DEA）分析法：用于优化问题，对各省发展状况进行评判。秩和比综合评价法：用于评价各个对象并排序，指标间关联性不强。优劣解距离法（TOPSIS法）：揉合多种算法，如遗传算法、最优化理论等。方差分析、协方差分析：方差分析用于看几类数据之间有无差异，协方差分析用于考虑一个因素对问题的影响。三、分类与判别 𐟓Š 距离聚类（系统聚类）：常用的聚类方法之一。关联性聚类：适用于关联性较强的数据。层次聚类：适用于层次结构明显的数据。密度聚类：适用于密度分布不均匀的数据。贝叶斯判别：适用于统计判别法。费舍尔判别：适用于训练的样本较多时。模糊识别：适用于分好类的数据点较少时。四、关联与因果 𐟔— 灰色关联分析方法：适用于样本点个数较少的情况。 Sperman或Kendall等级相关分析：适用于等级相关分析。 Person相关：适用于样本点个数较多的情况。 Copula相关：适用于金融数学和概率数学领域。典型相关分析：适用于因变量组和自变量组相关性比较强的情况。标准化回归分析：适用于若干自变量和一个因变量的情况，问哪一个自变量与因变量关系最紧密。生存分析（事件史分析）：适用于数据中有缺失的情况，哪些因素对因变量有影响。五、优化与控制 𐟚€ 现行规划、整数规划、-1规划：有约束且确定目标的情况。非线性规划与智能优化算法：适用于非线性问题。多目标规划和目标规划：柔性约束和目标函数的情况。动态规划：适用于多阶段决策问题。网络优化：适用于多因素交错复杂的情况。排队论与计算机仿真：适用于模拟排队系统。模糊规划：适用于范围约束的情况。灰色规划：虽然较难掌握，但应用广泛。这些模型不仅能帮助你更好地理解数学建模的本质，还能在实际问题中找到应用。希望这些信息对你有所帮助！

𐟓š 数据挖掘与机器学习必读经典 𐟌Ÿ 人工智能（AI）无疑是当今最热门的话题，它无处不在地影响着我们的日常生活。从在线购物到个性化推荐，再到douyin等社交媒体平台，AI都在背后默默地为我们提供个性化的内容。这一切都离不开数据挖掘与机器学习。 𐟓– 《数据挖掘与机器学习基础概念和算法原书第2版》这本书深入浅出地介绍了数据挖掘与机器学习的核心概念和算法。从数据矩阵到图数据，再到核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络和深度学习等，这本书涵盖了所有重要的机器学习算法。 𐟑袀𐟎“ 本书的作者是穆罕默德ⷊ.扎基（Mohammed J. Zaki）和瓦格纳ⷦⅦ‹‰（Wagner Meira, Jr.）。扎基是伦斯勒理工学院计算机科学系的教授，发表了250多篇论文，是Data Mining and Knowledge Discovery杂志的副主编。梅拉则是巴西米纳斯吉拉斯联邦大学计算机科学系的教授，发表了230多篇关于数据挖掘和分布式系统的论文。 𐟓š 这本书适合初学者，提供了丰富的示例和练习题，帮助读者理解和巩固相关主题。书中的所有算法都已由作者实现，读者可以利用这些算法探究从科研到商业分析的各种应用场景。 𐟌 如果你希望在工作、学习和生活中进一步提升效率，这本书将是一个不错的选择。通过阅读这本书，你将能够更深入地理解人工智能背后的原理和算法，从而更好地应用它们来提升自己的工作效率和生活质量。

美术生必看！轻松搞定文本分析文本分析法在设计学领域的应用越来越广泛，尤其是大数据时代下，通过分析用户反馈和体验来优化设计策略。对于旅游领域，可以借助X程、马蜂窝旅游网、某评和百度等平台的数据。这些平台在自媒体时代蓬勃发展，尤其是百度，具有强大的社交属性，用户通过文字和图片发布各种“笔记”，分享生活的方方面面。对于艺术类专业的学生来说，数据爬取可能是一个难点。这里推荐一个爬虫软件——八爪鱼数据采集系统。八爪鱼采集器可以模拟人浏览网页的行为，通过简单的网络页面点选，生成自动化的采集过程，将网页上的数据转化为结构化数据，以Excel或数据库等形式存储。数据采集完成后，需要将其转换为Word文档，最终形成TXT格式的文件。接下来就是对爬取的文件进行初步筛选和清洗。打开可以查阅TXT格式的软件，将文本设置为ANSI格式，方便后期使用ROSTCM6进行分词、词频分析、流量分析、聚类分析、社会网络和语义网络分析以及网络环境分析等。为了使分析结果更加准确，需要删除重复内容、表情符号和其他特殊符号以及无意义符号。具体方法如下：将不同案例的名称统一，例如“雪国农耕文化展示体验中心”和“越后松之山森林学校”等统称为“越后妻有公共艺术空间”。删除内容过少、毫无内涵的游记文本和具有广告性质的文本。删去颜文字表情符号和网络用语。 ROSTCM6中的各种操作步骤都是一键生成的，非常方便。唯一需要注意的是情感分析部分，可能会有数据不准确的情况。这时可以尝试使用ROSTEA1.9（Emotion Calculator）软件，这个软件在情感分析方面比较精准。最后，通过社会语义网络图可以了解到体验者的需求，改进设计，总结设计策略。虽然这个图看起来可能有些复杂，但以中心词为核心，向外散开，靠近核心词的分支说明该词语在整个文本中出现频次较高，被受众所关注。

大学生数学建模必备的8大模型数学建模在大学生活中占据着重要的地位，它不仅能帮助我们理解复杂问题的本质，还能培养我们的逻辑思维和解决问题的能力。以下是大学生数学建模中常见的八大模型，每个模型都有其独特的应用场景和重要性。 1️⃣ 预测与预报灰色预测模型：适用于数据样本点少且数据呈现指数或曲线形式的情况。通过极值点和稳定点来预测下一次稳定点和极值点出现的时间点。微分方程预测：虽然无法直接找到原始数据之间的关系，但可以通过公式推导转化为原始数据的关系。不过，微分方程关系较为复杂，适合数学功底较好的同学。回归分析预测：求一个因变量与若干自变量之间的关系。样本点的个数有要求，如自变量之间的协方差较小，样本点的个数大于3k+1（k为自变量的个数），因变量要符合正态分布。马尔科夫预测：适用于序列之间没有信息的传递，前后没联系，数据与数据之间随机性强，相互不影响的情况。如预测后天温度高、中、低的概率。时间序列预测：与马尔科夫链预测互补，至少有2个点需要信息的传递。包括AR模型、MA模型、ARMA模型、周期模型、季节模型等。小波分析预测：适用于数据无规律、海量数据的情况。将波进行分离，分离出周期数据、规律性数据。神经网络预测：大量的数据，不需要模型，只需要输入和输出，黑箱处理。建议作为检验的方法。混沌序列预测：比较难掌握，数学功底要求高。 2️⃣ 评价与决策模糊综合评判：用于评价一个对象优良中差等层次评价，如评价一个学校等，不能排序。主成分分析：用于评价多个对象的水平并排序，指标间关联性很强。层次分析法（AHP）：用于做决策，如去哪旅游，通过指标综合考虑做决策。数据包络（DEA）分析法：用于优化问题，对各省发展状况进行评判。秩和比综合评价法：用于评价各个对象并排序，指标间关联性不强。优劣解距离法（TOPSIS法）：揉合多种算法，如遗传算法、最优化理论等。方差分析、协方差分析：方差分析用于看几类数据之间有无差异，差异性影响；协方差分析用于考虑一个因素对问题的影响，忽略其他因素。 3️⃣ 分类与判别距离聚类（系统聚类）：常用的聚类方法之一。关联性聚类：适用于关联性较强的数据。层次聚类：适用于层次性较强的数据。密度聚类：适用于密度较大的数据。其他聚类：包括贝叶斯判别、费舍尔判别、模糊识别等。 4️⃣ 关联与因果灰色关联分析方法：适用于样本点的个数比较少的情况。 Sperman或Kendall等级相关分析：适用于等级相关分析。 Person相关：适用于样本点的个数较多的情况。 Copula相关：比较难，适用于金融数学和概率数学。典型相关分析：用于问哪一个因变量与哪一个自变量关系比较紧密。标准化回归分析：用于问哪一个自变量与因变量关系比较紧密。生存分析（事件史分析）：适用于数据里面有缺失的情况。格兰杰因果检验：计量经济学中，去年的x对今年的y有没有影响。 5️⃣ 优化与控制现行规划、整数规划、0-1规划：有约束，确定的目标。非线性规划与智能优化算法：适用于非线性问题。多目标规划和目标规划：柔性约束，目标函数，超过。动态规划：适用于多阶段决策问题。网络优化：多因素交错复杂。排队论与计算机仿真：适用于排队问题。模糊规划：范围约束。灰色规划：比较难。这些模型不仅在学术研究中有着广泛的应用，也在实际生活中帮助我们解决各种复杂问题。通过学习和掌握这些模型，大学生可以更好地理解和应用数学建模，提升自己的综合素质和解决问题的能力。

如何用Nvivo提升竞争力？实习心得分享 𐟌Ÿ 困境中的转机！这个周末，我的重点是深入学习Nvivo软件。虽然Stata不太擅长，但我不打算在定量分析上输得太惨。于是，我决定在定性分析上发力，而Nvivo正是我武器库中的一把利剑。感谢大三时研究方法课的老师，他为我指明了这条明路。 𐟓š 周末的充实生活最近几周，我在学校利用周末时间处理田野调研和之前外出访谈的材料。发现这个技能在我的实习岗位上也非常有用，比如在进行人群洞察时。每天的日常就是打开Nvivo，开始编码和做案例。Mentor姐看到我会用Nvivo时，甚至期待我能加入他们的团队。 𐟒ꠧ𒾥Š›管理与正向激励这周我深刻体会到精力管理和正向激励对工作投入的重要性。由于时间紧迫，任务繁重，而Mentor姐又不加班，所以整个工作强度非常大，主要是脑力上的消耗。最夸张的是一天下班后，走在回家的路上，感觉整个人都是飘的。听了精力管理指南后，我开始调整自己的工作节奏，按照60分钟专注/10分钟暂停休息的方式进行。下班路上听播客输入信息，晚上洗漱后看会儿书，这样反而没有那么累。（看电视刷社交媒体真的是精力黑洞） 𐟍” 上班族的饮食哲学我还发现一个道理：上班的时候就不要想着减脂了。不额外摄入垃圾食品已经是壮举了。压力来了，食欲也会随之增加。 𐟏ᠧ†想中的周末生活这个周末的生活非常理想：宅在寝室不用出门，学习自己想学的，写自己想写的，逛超市买好吃的，做自己想做的运动。累了就停下来，晚上睡前打开云旅游playlist看会儿书，和朋友聊天，太闲适了～总的来说，这次实习让我更加明白了技能的重要性，以及如何在压力下保持高效的工作状态。希望下周的聚类分析能够顺利！

𐟓š数学之美：探索数字与文字的奥秘𐟔 𐟓–深入《数学之美第三版》的第一章，我们一同踏上探索古代文字和语言背后的数学的奇妙旅程。𐟚€ 𐟔从远古时代的信息传递到文字和数字的起源，每一节都充满了对人类文明发展的深刻洞察。𐟓œ文字的诞生，不仅仅是信息的记录，更是人类文明的标志。𐟔䊊𐟔⦕𐥭—的演变，从最初的计数到复杂的十进制系统，展示了人类对数量的认知与探索。𐟧Œ文字的聚类与解读，则揭示了语言与记忆的奇妙交织。𐟓š 𐟒ᨿ™一章不仅让我们领略了数学与文字的紧密联系，更让我们对人类文明的传承与发展有了更深的理解。𐟌Ÿ 𐟓š数学之美，不仅仅在于公式与数字，更在于它们如何融入我们的日常生活，如何塑造我们的文明。𐟌让我们一起继续探索数学与文字的无限可能！𐟚€

研一这一年：我的成长与挑战嘿，大家好！今天想和大家聊聊我在浙大心理系研一这一年的生活。这一年真的是既充实又忙碌，主要分为四个方面：课程学习、科研探索、职业发展以及日常生活。下面我就来详细说说这些方面的经历和感受吧。课程学习 𐟓š 在课程方面，我主要经历了四种类型的学习： A类：机器学习、编程和数据分析这部分课程真的是让我对数据科学有了全新的认识。比如，在《高级心理统计系统》中，我深入了解了回归、聚类、主成分分析等算法的底层原理。而《大数据分析与应用》则是用计算机编程的方法来具体应用这些机器学习方法，对数据进行分析。还有《贝叶斯数据分析》，让我了解了贝叶斯的原理，这与我本科时学习的传统频率统计学派有很大的不同。 B类：商业项目和实战演练这部分课程让我学到了很多商业化的知识，锻炼了产品实战的技能。比如，《高级工程心理学》邀请了蚂蚁网商银行的设计专家来授课，带我们实战演练了一个项目。而《人因工程设计与评价》则让我了解了人因学的一些内容，比如人机交互、可用性评价等。 C类：全新的课程体验和咨询体验这门课真的是被疯狂安利的一门神仙课程！任课老师是来自德国的安娜老师，她的德语、英语、中文都讲得非常好，但上课全程用英文进行。学生间的交流和回答问题也都用英文，这对我来说是一次全新的体验。而《格式塔的咨询理念》则帮助我更好地了解自己，关注当下的感受。 D类：锻炼汇报能力这类课程虽然知识不多，但经常要求学生做汇报。对我来说，这是锻炼汇报能力的好机会。从一开始的“讲不清楚、害怕上台”，到后来的“学会把汇报看作是一个show time的机会”，我的汇报能力在这一年也有了较大的提升。科研探索 𐟔슊在科研方面，我主要做了以下几件事：系统阅读了媒体多任务领域的文献；开展实验研究，收集了数据，开始撰写论文；希望能在毕业前发表一篇论文，形成科研闭环。职业发展 𐟒𜊊为了更好地准备未来的职业发展，我做了以下几件事：报名了知群的产品培训营，学习了课程并产出了项目，项目还拿到了最优级（卓越）的评级；参与了蚂蚁网商银行的设计项目；拿到了滴滴数据产品的实习offer。日常生活 𐟌ˆ 除了学习和科研，我还参加了一些活动，比如参加了学校的瑜伽班，每天早上练瑜伽真的让我感觉身心愉悦。还和朋友一起去了杭州的西湖、灵隐寺等地游玩，放松心情。总结 ✨ 总的来说，这一年真的是既忙碌又充实。我在课程学习中不断挑战自己，在科研探索中不断尝试新方法，在职业准备中不断积累经验，在日常生活中学会平衡工作和生活。希望在接下来的时间里，我能继续保持这种状态，不断进步！

数据分析：未来职业的黄金领域 𐟌Ÿ 随着2024年的结束，许多朋友都在寻找新的职业方向。在这里，我要强烈推荐一个值得尝试的领域——数据分析。这个领域在未来几年内将持续火热，是技术前沿和职业新选择的完美结合！数据分析的前景 𐟓ˆ 我们正处在一个大数据时代，各行业的数据量都在爆炸式增长。无论是商业、医疗、教育还是政府部门，都依赖数据分析来挖掘有价值的信息，辅助决策。随着人工智能和机器学习技术的发展，数据分析的重要性愈发凸显，成为这些技术的基石。数据分析的优势 𐟌Ÿ 数据分析能够摆脱传统行业的限制，不存在体力劳动密集型或高度重复的工作模式，也没有特定年龄阶段的职业危机。大多数公司的工作时间规律，朝九晚六，午休1-2小时，节假日正常休息，加班少，有助于平衡工作和生活。此外，数据分析行业的薪资普遍较高，尤其在一线城市，需求大，人才供不应求，薪资持续上涨。数据分析的应用领域 𐟌 商业领域：市场、客户、销售、风险分析，如电商通过用户购买数据优化推荐系统，提高销售额。医疗领域：辅助诊断、研发、资源分配，如分析病历数据预测疾病趋势。教育领域：评估教学、预测成绩、优化课程，如分析学生在线学习数据改进教学。政府部门：政策制定、城市规划、资源管理，如依据交通流量数据优化交通规划。数据分析所需技能 𐟛 ️ 数据收集与整理：包括数据爬虫、数据库操作等。数据分析方法与工具：统计学知识、Excel、SQL、Python数据分析库（Pandas、Numpy、Matplotlib等）。数据挖掘算法：聚类、分类、关联规则等。数据可视化技术：清晰展示分析结果。业务逻辑理解能力：从数据中提取有价值的见解，支持业务决策。建议 𐟒ኤ𘓦𓨤𚎦Ÿ一个细分领域，如金融、医疗、电商数据分析等，专业度越高，发展前景越好。结语 𐟎‰ 数据分析行业前景广阔，是一个值得投身的领域。当前人才缺口仍然较大，希望大家能抓住这个机会，为自己的职业生涯增添光彩！

问卷数据分析的几种常用方法，你了解吗？𐟓Š 问卷数据分析其实并不复杂，只要掌握了正确的方法，就能轻松搞定。下面我来给大家介绍几种常用的分析方法，帮助你更好地理解问卷数据。描述性统计分析 𐟌Ÿ 描述性统计是问卷数据分析的基础，它可以帮助我们初步了解数据的特征。比如，通过计算频率、平均值、标准差等指标，我们可以了解数据的分布情况。举个例子，如果你在做消费者满意度调查，描述性统计就能告诉你大家对产品的满意度如何。探索性数据分析（EDA） 𐟔 探索性数据分析主要是通过可视化和统计方法来探索数据的潜在模式和关系。比如，你可以通过箱线图和散点图来观察不同年龄组对运动频率的回答分布。这种方法特别适合在健康生活方式调查中使用。假设检验 ⚖️ 假设检验是用来比较不同组之间的差异的。常见的检验方法有T检验、ANOVA和卡方检验等。比如，在线学习效果调查中，你可以使用T检验来比较线上和线下学习模式下学生的学习成绩差异。多变量分析 𐟓ˆ 多变量分析是用来探索多个变量之间的关系的方法。比如，消费者购买行为调查中，你可以通过多元回归分析来了解价格、品牌等因素对购买行为的影响。信效度分析 𐟓 信效度分析是用来评估问卷的一致性和有效性的。比如，心理健康问卷中，你可以使用Cronbach's alpha系数来评估问卷的内部一致性。这种方法特别适合在品牌认知和购买意愿调查中使用。聚类分析 𐟌 聚类分析是根据问卷回答将调查对象分组的方法。比如，市场细分调查中，你可以根据消费者的消费偏好将他们聚类为不同的细分市场。因子分析/主成分分析 𐟓š 因子分析和主成分分析是用来降维和解释多个相关变量之间的关系的方法。比如，生活满意度调查中，你可以通过因子分析来确定影响生活满意度的主要维度。时间序列分析 ⏳ 时间序列分析是用来分析问卷数据随时间变化的方法。比如，品牌知名度长期追踪调查中，你可以通过时间序列分析来了解品牌知名度的变化趋势。网络分析 𐟌 网络分析是用来探索问卷项之间的关系网的方法。比如，组织行为调查中，你可以通过网络分析来揭示不同组之间的复杂关系网。希望这些方法能帮到你，让你在问卷数据分析中游刃有余！如果你有任何问题，欢迎随时提问哦！𐟘Š

𐟤–机器学习全解析𐟧 𐟓š机器学习，你了解多少？让我们一起探索它的奥秘吧！ 𐟔首先，我们需要收集数据，并将其转化为机器可以理解的格式，比如数值、文本或图像。 𐟧𜦎姝€，数据预处理是必不可少的一步。我们要对数据进行清洗，去除异常值和缺失值，并进行特征选择，为后续的机器学习算法打好基础。 𐟛 ️然后，特征工程闪亮登场！它是对原始数据进行转换、组合和选择，以提取出更有用的特征，帮助机器学习算法更好地理解和处理数据。 𐟤”接下来，模型选择也是关键一步。我们要根据问题的特性和数据的特征，选择最适合的机器学习算法和模型。 𐟒ꧻ过以上步骤，我们可以开始训练模型了！利用已有数据对模型进行训练，让它能够学习到数据中的规律和模式。 𐟓ˆ训练完成后，别忘了对模型进行评估和调整哦！检查其性能和精度，并进行优化，确保模型能够达到最佳状态。 𐟎‰最后，经过训练和优化后的机器学习模型就可以大显身手了！它可以用于新数据的预测、分类、聚类等任务，成为我们生活中的得力助手！

专栏内容推荐

1030 x 470 · jpeg
基于聚类算法的话术挖掘技术及在营销服场景的落地应用 - 知乎
素材来自:zhuanlan.zhihu.com

670 x 326 · png
SPSS聚类分析（含k-均值聚类，系统聚类和二阶聚类）-CSDN博客
素材来自:blog.csdn.net

1000 x 617 · jpeg
一种基于生活质量和聚类分析的疗效预测方法及系统
素材来自:xjishu.com
674 x 514 · png
SPSS聚类分析（含k-均值聚类，系统聚类和二阶聚类）-CSDN博客
素材来自:blog.csdn.net

1080 x 726 · png
聚类分析原理和模型(聚类分析的基本步骤)_造梦网
素材来自:yywwg.com
1080 x 522 · jpeg
stats | 聚类分析之系统聚类法 - 知乎
素材来自:zhuanlan.zhihu.com

1023 x 681 · jpeg
大数据如何赋能产品—用户特征分析 - 知乎
素材来自:zhuanlan.zhihu.com
1000 x 485 · gif
基于聚类群组发现的推荐系统及方法、个性化推荐系统与流程
素材来自:xjishu.com

1080 x 771 · jpeg
stats | 聚类分析之系统聚类法 - 知乎
素材来自:zhuanlan.zhihu.com
887 x 300 · png
聚类模型（K-means聚类，系统聚类，DBSCAN算法）_聚类算法思维导图-CSDN博客
素材来自:blog.csdn.net

5760 x 3264 · png
享库-本地生活数字化营销服务平台
素材来自:xjbian.com
1920 x 1080 · jpeg
推荐系统怎样实现用户聚类推荐 - 知乎
素材来自:zhuanlan.zhihu.com

588 x 400 · png
SPSS聚类分析（含k-均值聚类，系统聚类和二阶聚类）-CSDN博客
素材来自:blog.csdn.net
865 x 531 · png
SPSS聚类分析（含k-均值聚类，系统聚类和二阶聚类）-CSDN博客
素材来自:blog.csdn.net

865 x 482 · png
SPSS聚类分析（含k-均值聚类，系统聚类和二阶聚类）-CSDN博客
素材来自:blog.csdn.net

1418 x 1196 · png
推广管理系统
素材来自:dakatui.com
443 x 281 · jpeg
基于本地化差分隐私的两阶段k-means聚类处理系统及方法
素材来自:xjishu.com

5733 x 3225 · jpeg
抖音商业化营销系统架构稳定性演进（演讲PPT）_会议资料-报告厅
素材来自:baogaoting.com

865 x 500 · png
SPSS聚类分析（含k-均值聚类，系统聚类和二阶聚类）-CSDN博客
素材来自:blog.csdn.net
1728 x 1080 · jpeg
系统聚类在R中的实现——10种红酒的聚类分析《多元统计分析——基于R》... - 哔哩哔哩
素材来自:bilibili.com