学习笔记(08):第四章：非监督学习-聚类简介

最新推荐文章于 2024-09-15 22:11:15 发布
最新推荐文章于 2024-09-15 22:11:15 发布
阅读量99 收藏
点赞数
分类专栏： 研发管理 文章标签： 非监督学习 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_41475087/article/details/104510053
版权

立即学习:https://edu.csdn.net/course/play/10583/236135?utm_source=blogtoedu

a(i)类内散度：类内的平均距离

d(i,C)类间散度：点i到其他类C的平均距离。

b(i):最小的d(i,C)

 

计算轮廓系数

si = (bi-ai)/max(bi,ai)

 

ch索引：类似轮廓系数，但计算快

类内散度和类间散度的计算，都是用中心点来计算，计算量小。

sysu_hkh
关注
专栏目录
学习笔记(09):第四章：非监督学习-聚类案例分析：Event聚类
sinat_41475087的博客
02-26 140
本章介绍非监督学习相关知识，并通过实例介绍多种聚类降维算法的使用。
向毕业妥协系列之机器学习笔记:无监督学习-聚类
长夜漫漫，无心睡眠
11-15 443
将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是我们学习的第一个非监督学习算法。我们将要让计算机学习无标签数据，而不是此前的标签数据。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还是有必要将其与监督学习做一下比较。在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。
学习笔记(03):第四章：非监督学习-t-SNE
weixin_41836794的博客
04-12 110
本章介绍非监督学习相关知识，并通过实例介绍多种聚类降维算法的使用。
《机器学习》学习笔记8：无监督学习 - 聚类与降维
qq_44577070的博客
11-04 1251
在无监督学习中，我们的数据没有附带任何标签。将这些无标签数据分成N个分开点集（称为簇）的算法，就被称为聚类算法。聚类算法可用于市场分割、社交网络分析、组织计算机集群、管理数据中心等。
学习笔记(07):第四章：非监督学习-t-SNE
sinat_41475087的博客
02-26 228
本章介绍非监督学习相关知识，并通过实例介绍多种聚类降维算法的使用。
学习笔记(05):第四章：非监督学习-PCA降维原理
sinat_41475087的博客
02-18 110
本章介绍非监督学习相关知识，并通过实例介绍多种聚类降维算法的使用。
机器学习----第九章聚类 学习笔记
weixin_43580130的博客
07-31 1450
文章目录引入性能度量距离计算原型聚类K均值（K-means）学习向量量化（Learning Vector Quantization，LVQ）高斯混合聚类（Mixture-of-Gaussian）（有点难理解）密度聚类层次聚类 引入 首先我们先来理解“无监督学习”：它是指训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质和规律。通俗来讲就是，当我们想要完成一个分类任务时，我们完全不知道应该分为几类，具体的类别也是未知的。 无监督学习中研究最多、应用最广的就是“聚类”(cluste
学习笔记(06):第四章：非监督学习-Scikit-Learn中的PCA
sinat_41475087的博客
02-25 73
本章介绍非监督学习相关知识，并通过实例介绍多种聚类降维算法的使用。
吴恩达机器学习笔记：第 8 周-13 聚类(Clustering)13.1-13.2
weixin_43597208的博客
04-18 676
在这个视频中，我将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是我们学习的第一个非监督学习算法。我们将要让计算机学习无标签数据，而不是此前的标签数据。那么，什么是非监督学习呢？在课程的一开始，我曾简单地介绍过非监督学习，然而，我们还是有必要将其与监督学习做一下比较。在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。
第八节-聚类算法实验分析（第一章: 机器学习算法精进及其案例应用(课程笔记) ）
09-03
在"第一章: 机器学习算法精进及其案例应用"的课程笔记中，可能会详细探讨这些算法的实现细节、优缺点以及在实际案例中的应用策略，帮助学习者深入理解聚类算法的实际价值和挑战。通过实验分析，不仅可以提高对算法的...
『ML』利用K-Means聚类算法对未标注数据分组——《机器学习实战》学习笔记（Ch10）
12-21
K-Means聚类算法是机器学习领域中最基础且广泛应用的无监督学习方法之一，用于对未标注数据进行分组。它的核心思想是通过迭代优化，使得每个数据点尽可能地归属于与其最近的类中心（也称为质心）所在的簇。算法的...
非监督学习--聚类分析&时间序列分析
打工人 打工魂
06-27 1121
Cluster Analysis 聚类分析(Cluster Analysis)的定义： 非监督学习分析手段的一种.考虑给的数据的特性,定义相似数据集团（聚类）的分析技巧. 每个数据只能对应一个聚类的独有(Exclusive) 方式 k-均值聚类(k-means Clustering) k-均值聚类是 采用分割空间的原理具有使各观测值处于最接近重心聚类的聚类化方法。 特征： 非层次性: 聚类的数量已经定好 （比如要分为2个group） 定的阶段到模型集中时反复的运行运算法则 独立变量: 连续变
机器学习笔记之谱聚类(一)k-Means聚类算法介绍
静静的学习就好
02-20 983
从本节开始，将介绍聚类任务，本节将介绍k-Means算法。
分类预测|基于贝叶斯优化长短期记忆网络的数据分类预测Matlab程序 多特征输入多类别输出 BO-LSTM 附赠预测新数据
2401_86241083的博客
09-12 1520
分类预测|基于贝叶斯优化长短期记忆网络的数据分类预测Matlab程序 多特征输入多类别输出 BO-LSTM 附赠预测新数据
机器学习评估指标-学习篇
qq_38925911的博客
09-12 1249
模型评估是机器学习和人工智能领域中的一个关键环节，它旨在对训练好的模型进行性能评估，以了解模型在未见过的新数据上的表现。模型评估的目的通过评估，确定模型在给定任务上的准确度、可靠性、泛化能力等指标。发现模型在特定类型数据或情境中的弱点，如过拟合、欠拟合或偏差。提供关于如何调整模型参数、优化数据处理方法的具体见解。评估结果是迭代开发过程中不可或缺的部分，帮助开发者在每个阶段优化模型。评估模型在现实世界复杂和不可预测数据上的表现，确保模型能够有效工作。样本集划分。
机器学习与深度学习的区别
与时俱进，一专多能。
09-12 1469
深度学习是机器学习的一个子集，主要使用了一种特定类型的模型——神经网络，特别是多层次的神经网络（也称为深度神经网络）。深度学习的概念在20世纪60年代已有雏形，但直到2006年，随着科技的发展，特别是在计算能力和数据可用性方面的突破，深度学习才开始获得广泛关注。3. 计算需求：深度学习通常需要更强大的计算资源和更多的数据来训练有效的模型，而传统的机器学习方法可能不需要那么多资源。总的来说，深度学习是机器学习的一个高级分支，专注于通过神经网络解决复杂的、高维度的分析问题。
机器学习和深度学习区别
hai40587的博客
09-11 771
机器学习：是人工智能的一个分支，它让计算机能够在没有明确编程的情况下，通过观察和分析大量数据来学习并做出预测或决策。机器学习起源于20世纪50年代，随着算法的不断发展，逐渐形成了多种经典算法，如决策树、支持向量机、随机森林等。深度学习：则是机器学习的一个子领域，它主要依赖于深度神经网络模型进行学习和预测。深度学习在21世纪初开始兴起，特别是随着计算能力的提升和大数据的普及，深度学习算法得以广泛应用，并取得了显著成效。
机器学习与深度学习的区别详解
最新发布
不止顾望 不怠所学
09-15 896
在数据科学和人工智能领域，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）是两个非常重要的概念。本文将详细介绍机器学习和深度学习的不同之处，帮助读者更好地理解这两个技术的特点和应用场景。机器学习方法在处理小数据量和需要解释性的任务时表现良好，而深度学习方法在处理大规模数据和复杂任务时具有显著优势。深度学习是机器学习的一个子领域，主要依赖于人工神经网络，尤其是深层神经网络（即具有多层隐藏层的神经网络）。希望本文能够帮助你更好地理解机器学习和深度学习的区别。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值