本文介绍了无监督学习中的聚类和降维方法。详细阐述了k均值算法的工作原理，包括聚类中心的选择策略——肘部法则。同时，探讨了降维的目的和主成分分析（PCA），包括PCA的步骤和注意事项。
无监督学习 — 聚类和降维
往期内容
1. 单变量线性回归
2. 多变量线性回归
3. 逻辑回归
4. 正则化
5. BP神经网络
6. 机器学习诊断法
聚类
k均值算法
K-均值是最普及的聚类算法，算法接受一个未标记的数据集，然后将数据聚类成不同的组。算法步骤总结如下：
① 随机选择K个点作为聚类中心（cluster centroids)
② 对于数据集中的每一个数据，按照距离𝐾个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类
③ 计算每一组的平均值，将该组的聚类中心移动到平均位置
④ 重复②③步骤，直至中心点不再变化
K-均值的代价函数（又称畸变函数 Distortion function） 如下：
J ( c ( 1 ) , . . . , c ( m ) , μ 1 , . . . , μ k ) = 1 m ∑ i = 1 m ∣ ∣ X ( i ) − μ c ( i ) ∣ ∣ 2 J(c^{(1)},...,c^{(m)},\mu_1,...,\mu_k)=\frac1m\sum^m_{i=1}||X^{(i)}-\mu_{c(i)}||^2 J(c(1),...,c(m),μ1,...,μk)=m1
最低0.47元/天 解锁文章
扫一扫
625
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
