Python 实现数据科学中的无监督挖掘技术
文章目录
依赖 Python 的
NumPy
、
SciPy
、
matplotlib
和
scikit-learn
等库
我们会了解到几种距离度量开始,了解不同的距离度量和空间对于构建数据科学应用是非常关键的。任何数据集都是一系列的点,这些点都属于某个特定空间。我们可以把空间定义为一个普遍的点的集合,数据集里的点就落在这个集合中。最常用的空间是欧几里德空间,在欧氏空间里,点是实数向量,向量的长度就是它的维度数。
核方法,它是机器学习中非常重要的一个主题,帮助我们使用线性方法解决非线性数据问题。我们主要介绍核映射的概念。
对一些聚类算法的讲解,聚类是将一系列点分隔到不同的逻辑组里的处理过程。例如一个超市的场景,商品被定性地按种类进行分组,而我们要研究的是如何进行定量处理。
学习向量量化,它是一种无监督技术
使用距离度量
很多数据挖掘任务,计算距离和相似度度量非常关键。本节将研究一些距离度量的实践,下一节则讨论相似度度量。在研究距离度量之前,我们先定义一下距离测度。
作为数据科学家,我们经常接触不同维度的点或向量。在数学层面上,一系列的点定义了一个空间,一个空间里的距离度量被定义为函数 d(x,y)
,它把空间里的 x 和 y 两个点作为参数,返回一个实数作为输出,这个距离函数输出的实数,要满足以下几点规则。
- 距离函数的输出必须是非负的,
d(x,y)≥0
。 - 仅当 x