[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发(K-Means、BIRCH、树状聚类、MeanShift)

64 篇文章 247 订阅 ¥19.90 ¥99.00
105 篇文章 605 订阅

欢迎大家来到“Python从零到壹”,在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解,真心想把自己近十年的编程经验分享给大家,希望对您有所帮助,文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持,知识无价人有情,希望我们都能在人生路上开心快乐、共同成长。

前一篇文章讲述了回归模型的原理知识,包括线性回归、多项式回归和逻辑回归,并详细介绍Python Sklearn机器学习库的线性回归和逻辑回归算法及案例。本文介绍聚类算法的原理知识级案例,包括K-Means聚类、BIRCH算法、PCA降维聚类、均值漂移聚类、文本聚类等。基础文章,希望对您有所帮助。

  • 902
    点赞
  • 705
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 244
    评论
好的,我知道了。关于你的问题,K-Means算法和Mini Batch K-Means算法都是聚类算法,它们都可以用于对数据集进行聚类。但是它们之间也存在一些区别。 K-Means算法的步骤如下: 1. 从数据集中随机选择k个点作为簇的中心点; 2. 对于每个数据点,计算它与每个簇中心点的距离,将它归为距离最近的簇; 3. 根据归类结果重新计算每个簇的中心点; 4. 重复2和3步,直到簇的中心点不再改变或达到最大迭代次数。 而Mini Batch K-Means算法是K-Means算法的一种优化,它的主要改进在于每次只从数据集中随机选择一部分数据作为样本,而不是全部数据,来计算簇的中心点,从而减少计算量。具体步骤如下: 1. 从数据集中随机选择k个点作为簇的中心点; 2. 从数据集中随机选择一个小的批次(batch)数据; 3. 对于每个数据点,计算它与每个簇中心点的距离,将它归为距离最近的簇; 4. 根据归类结果重新计算每个簇的中心点,并将此批次数据用于更新中心点; 5. 重复2~4步,直到簇的中心点不再改变或达到最大迭代次数。 相比于K-Means算法,Mini Batch K-Means算法具有以下优点: 1. 计算速度更快,因为每次只需要计算一部分数据; 2. 可以处理大规模数据集,因为不需要将全部数据集加载到内存中; 3. 可以保持较好的聚类效果。 但是,Mini Batch K-Means算法也存在一些缺点,例如聚类效果可能不如K-Means算法稳定,因为每次只随机选择一部分数据进行计算,可能会导致某些数据点没有被考虑到。同时,Mini Batch K-Means算法需要调整一些超参数,例如批次大小和最大迭代次数等,以达到最佳效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 244
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

Eastmount

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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