- 博客(4)
- 收藏
- 关注
RSS订阅原创 机器学习之主成分分析PCA及代码示例
一、主成分分析（PCA）主成分分析（Principal Component Analysis）是一种常用的降维算法，可通过线性组合的方法将多个特征综合为少数特征，且综合后的特征相互独立，又可以表示原始特征的大部分信息。1. 主成分和方差观察以下的几个样本的特征向量X：x1 x2 x3 x4 y0 10 -2 2 0 10 -3 30 10 -4 4可以看出上述
2017-03-26 14:43:19
17772
3
原创 机器学习之密度聚类及代码示例
一、密度聚类密度聚类的思想，在于通过计算样本点的密度的大小来实现一个簇/类别的形成，样本点密度越大，越容易形成一个类，从而实现聚类。密度聚类算法可以克服基于距离的聚类算法只能发现凸型集合的缺点，其可根据密度的分布发现任意形状的聚类，且对噪声数据不敏感。因密度聚类算法需计算每个样本点附件的样本密度，因此计算复杂度比较大。二、DBSCAN算法DBSCAN（Density-Based Spatial Cl
2017-03-18 21:37:35
7722
5
原创 机器学习之层次聚类及代码示例
一、层次聚类层次聚类是无监督学习方法，可对给定的N个待聚类的样本进行层次的分类，直到某种条件（类的个数、类间的距离超过某个阈值）满足为止。1、层次聚类的划分对于层次聚类，可具体分为：a. 凝聚的（agglomerative）层次聚类：采用自底向上的策略：先将每个样本作为一个簇（类），然后不断地计算各个类之间的相似度/距离、并合并最相近的两个类成一个大类，直到某个终止条件满足为止。（可与哈夫曼编码算法
2017-03-18 17:18:37
8408
1
原创 机器学习之划分聚类及代码示例
一、聚类聚类是一种无监督学习，根据样本的内在相似性/距离，将大量未知标记的样本集划分为多个类别，使得同一个类别内的样本相似度较大（距离较小），而不同类别间的样本相似度较小（距离较大）。划分聚类包含K-Means、K-Means++、Mini Bacth K-Means等。二、相似性/距离的度量既然聚类是根据样本之间的内在相似性/距离进行分类的，那相似性/距离的度量有哪些呢？一般来说，相似性越小，距离
2017-03-16 21:54:10
5476
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人