机器学习第六回——无监督学习

最新推荐文章于 2023-03-07 20:56:05 发布
最新推荐文章于 2023-03-07 20:56:05 发布
阅读量106 收藏
点赞数
分类专栏： 机器学习
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/LovelyZhou/article/details/107874675
版权

一.K-Means算法

（1）随机生成两个点（聚类中心）
（2）簇分配
（3）移动聚类中心
在这里插入图片描述
在这里插入图片描述
防止算法落入局部最优解，初始化时应采取的方法：
在这里插入图片描述
最终选择代价函数里最小的作为结果，此方法仅适用于K很小的时候
肘部法则：用来确定k的数值（此方法通常不适应，通常会得到右图）
在这里插入图片描述
选择K值的最好方法是询问自己这个K的作用是什么，分类的目的

二.主成分分析算法（PCA）

PCA主要是处理降维问题，是将数据点投影在拟合的直线上，线性回归是用x来预测y的值
在这里插入图片描述
算法过程
（1）需要均值标准化和特征放缩
在这里插入图片描述

（2）计算协方差
在这里插入图片描述

（3）算法实现过程
在这里插入图片描述

（4）从n维降到k维
在这里插入图片描述
如何选取K
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
逆过程：低维到高维
在这里插入图片描述
使用PCA的过程
在这里插入图片描述

兴安仓鼠
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python 机器学习实战 —— 无监督学习（上）
风尘浪子
12-07 2773
无监督学习顾名思义数据中不包含已知的输出结果，学习算法中只有输入数据，算法需要从这些输入数据中提取相关规律。 无监督学习主要分为两种类型：数据集变换与聚类算法，数据集的无监督变换是创建数据集的新的表达方式，使其特性更容易理解，最常见的模型有 PCA、NMF、t-SNE 等模型。聚类算法则是将数据划分成不同的组.
机器学习（3）——有监督学习
WHJ226的博客
06-16 4386
如果所获得的数据有明确的分类信息，用有明确分类信息的数据训练数据模型，就称为有监督学习（Supervised Learing）。机器学习的目标是对新获得的数据进行分类与回归。分类的结果是指数据不具有连续性，如将一堆水果划分为苹果、梨子、香蕉3个类别。回归是数据的一种预测算法。所预测的数据可能具有连续性。在机器学习中经常会提到过拟合、欠拟合、泛化的概念。所建立的数学模型在已有的数据上分类或拟合的结果非常理想，但在新的数据上分类或拟合的效果不佳，即泛化能力弱，这种情况一般称为过拟合。如果所建立的模型在已有数据集
大概这就是“无监督学习”的机器学习算法实例
边逛边看边学习
08-18 1270
开会时有老大提到，用于智能运维的算法有不少是有监督学习，在一定规则下学习出适用的场景模型。 而我们需要做的“无监督学习”算法，难度则要大不少。对于我们这种算法小白，虽然理解了有监督和无监督的区别，对于无监督到底是怎么学习的还是有点云里雾里。 直到前几天看到一张算法学习的图，才略有点明白。挺有趣的： 如图中所描述，无监督学习也是分一段段时间的。 第一阶段开始根据读入的数据初始建模。 建完后继续学习，这时有突增的异常发生，使得变宽。原先初始阶段建的模不好用了嘛... 结合成新的模型 检测暂.
监督式和非监督式机器学习算法
coutamg的博客
10-03 8471
原文链接http://www.shujuren.org/article/62.html 什么是监督式机器学习，它与和非监督式机器学习有什么关联呢？ 本文中你将了解到监督式学习,非监督式学习和半监督式学习在阅读本文之后你将知道如下知识： 有关分类和回归的监督式学习问题关于聚类和关联非监督式学习问题用于监督式和非监督式问题的Example算法案例半监督式学习介于监督式和非监督式学习之
机器学习——无监督学习
最新发布
qq_53142796的博客
03-07 1950
sklearn是scikit-learn的简称，是一个基于Python的第三方模块sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能完成大多数的机器学习任务。sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的，因此在介绍sklearn的安装前，需要先安装这些依赖库。Numpy库Numpy ( Numerical Python的缩写）是一个开源的Python科学计算库。
Python 机器学习实战 —— 无监督学习（下）
风尘浪子
12-16 1843
本文将对聚类算法进行讲解，聚类算法就是将数据集划分成组的任务，这些组叫成簇，同一个簇内的数据点特征非常相似，不同簇内的数据点特征区别很大，这点与监督学习中的分类算法很类似，运行完成后系统会为同一簇内的数据分配同一个数字，不同簇的数字都不一样。常见的聚类模型有 KMeans、DBSCAN、GMM 、Agglomerative等，下面将一一介绍。
十大机器学习算法（三）—— 无监督 聚类算法 KMeans
AwesomeDong的博客
09-03 2616
KMeans KMeans属于无监督（即无标签）聚类算法，在不知道数据没有具体的划分标准时，通过物以类聚的方法，将相似数据放在一起。 一、源码流程 （一）首先随机生成一堆数据 [x,y][x,y][x,y]，尝试将这些数据进行聚类 import random import matplotlib.pyplot as plt points_num = 100 random_x = [random.randint(-100, 100) for _ in range(points_num)] random_y =
Python机器学习——无监督学习
su_best的博客
02-10 2210
一、Sklearn库标准数据集及基本功能 1、波士顿房价数据集 2、鸢尾花数据集 3、手写数字数据集 4、sklearn库的基本功能 ①分类任务 ②回归任务 ③聚类任务 ④降维任务 二、无监督学习 1、聚类 2、Sklearn vs. 聚类 3、sklearn.cluster 4、降维 5、分类 vs. 降维 6、sklearn vs. 降维 三、K-Means聚类算法 四、DBSCAN聚类算法 五、主成分分析（PCA） 六、NMF
机器学习——无监督学习与聚类分析
Palpitate的博客
03-07 2610
一、无监督学习 1.1定义 机器学习的一种方法，训练数据中不带标签，让机器自动寻找数据规律并完成任务（数据不包括正确的结果） 1.2特点 数据不需要标签 算法不受监督信息（偏见）约束 1.3优点 降低数据采集难度，极大程度扩充样本量 可能发现新的数据规律、被忽略的重要信息 1.4主要运用 聚类分析 关联学习 维度缩减 二、聚类分析 2.1定义 把数据样本按照一定的方法分成不同的组别，这样让在同一个组别中的成员对象都有相似的一些属性 2.2应用场景 目标用户的群体分类 图像切割 基因聚类
机器学习实战项目——市场营销活动预测.zip
04-11
通常，机器学习包括监督学习、无监督学习和强化学习。在这个案例中，可能是采用监督学习，因为我们需要预测一个特定的结果（如营销活动的成功与否）。 二、数据准备 任何机器学习项目的第一步都是数据收集和预处理...
国科大模式识别与机器学习第三章作业答案.rar
01-17
在本章中，我们重点关注的是模式识别的基础和机器学习中的一个基本算法——感知器（Perceptron）算法。下面将详细讨论相关知识点。 一、模式识别： 模式识别是人工智能的一个分支，其目标是从数据中提取特征并进行...
第一个机器学习案例.pptx
11-28
**机器学习——第一个机器学习案例** 在这个案例中，我们将探讨机器学习的基础，特别是关于K近邻（K-Nearest Neighbors, KNN）算法的应用。KNN是一种监督学习方法，常用于分类问题，它根据训练数据中最近的K个邻居...
图像识别实战——天气分类
热门推荐
LovelyZhou的博客
09-06 1万+
首先来看一下题目要求 ①收集数据，并标注数据来源与方式： 在百度上进行搜索，发现了和鲸社区 搜索：天气图片数据集进入，点击 进入 @article{RSCM2017, title = {RSCM: Region Selection and Concurrency Model for Multi-class Weather Recognition}, author = {Di Lin and Cewu Lu and Hui Huang and Jiaya Jia}, journal = {IEEE T
机器学习实战——美国疫情数据
LovelyZhou的博客
09-06 4549
题目要求 所谓“看花容易绣花难”，学了近一个月机器学习，实战（完全靠自己的项目）还是第一次做，尽管头有点大，但还是很有信心做好的！
Matplotlib 入门（详看注释）
LovelyZhou的博客
08-17 2549
一.matplotlib 画线（基本用法） import matplotlib.pyplot as plt import numpy as np x = np.linspace(-1,1,50) y = 2*x+1 z = x**2 plt.plot(x,y)# 坐标轴,画成线 plt.plot(x,z) plt.show() （两条不同的曲线画在同一张图里了~） 分别画在两张图上 plt.figure() plt.plot(x,y)# 坐标轴,画成线 plt.figure() plt.plot(x,z
机器学习第二回——矩阵部分总结
LovelyZhou的博客
07-22 1844
感觉这一回的前半部分还很简单，属于矩阵的基本操作，所以进行一个简单的总结，可能随着学习的深入还会补充~ 一.矩阵和向量 矩阵：通常用大写字母表示，（而数字的表示通常使用小写字母）在本课程中，下标都从1开始。 向量：单列矩阵，通常是n*1阶，向量的行数也称为维数。 二.矩阵加法（标量相加） 对应序号位置的元素相加即可(做加法的两个矩阵的维数必须相同) 三.矩阵的标量乘法（数乘） 满足交换律，即矩阵的每一个元素分别与该数相乘 四.矩阵乘法 和我们之前学的一样啊，只不过我发现了一个更好的用法 升级版 可以用来计
pandas 入门（详看注释）
LovelyZhou的博客
08-17 1091
一.pandas 简介 numpy 相当于列表，那么pandas 相当于字典，就是比numpy 高级了一点点~ import numpy as np import pandas as pd s = pd.Series([1,3,6,np.nan,44,1]) print(s) 看一下输出，自动加上序号，还有数据类型 创建一个行索引 dates = pd.date_range('20200816',periods=6) print(dates) 创建一个有名字的numpy数组 df = pd.Data
keras 初步学习
LovelyZhou的博客
08-20 526
1.keras 实现线性回归模型 import tensorflow import keras from keras.models import Sequential import numpy as np import matplotlib.pyplot as plt x = np.linspace(0,100,30) y = 3*x +7 +np.random.randn(30)*6 plt.scatter(x,y) plt.show() model = keras.Sequential() # 建立顺序
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