吴恩达机器学习之聚类算法的参数选择以及优化

最新推荐文章于 2024-04-17 11:39:36 发布
最新推荐文章于 2024-04-17 11:39:36 发布
阅读量1.2k 收藏
点赞数 1
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/daixiangzi/article/details/80905306
版权

对于K（k<样本量的）均值聚类，一般参数的自定义主要有两个，一个是聚类中心初始位置的选择，二是K值的选择

优化目标：每个样本点到该点聚类中心的平方的累加


解决聚类中心的初始化问题：

随机挑选样本点作为聚类中心，这个过程重复50-1000次，选出J值最低的（通常K值为2-10的时候该方法比较有效）。

解决K值问题，肘部法：

尝试不同的K（K值通常为3-10比较好）值，算出J值，选取拐点出的K值


dxz_tust
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一种优化的K-MEANS聚类算法
03-26
这个资源是一个拥有完整代码与测试数据的k-means算法文件，集原始算法与改进算法于一个程序，通过选择不同的标签号来使用算法，能完整运行，效果很好，希望对大家有帮助！
聚类算法优化
IT之一小佬的博客
04-17 3311
聚类算法优化 【其实就是为了选择质心，保证每个点距离不是很近】 k-means算法小结 优点： ​ 1.原理简单（靠近中心点），实现容易 ​ 2.聚类效果中上（依赖K的选择） ​ 3.空间复杂度o(N)，时间复杂度o(IKN) N为样本点个数，K为中心点个数，I为迭代次数 缺点： ​ 1.对离群点，噪声敏感 （中心点易偏移） ​ 2.很难发现大小差别很大的簇及进行增量计算 ​ 3.结果不一定是全局最优，只能保证局部最优（与K的个数及初值选取有关） 1 Canopy算法配合初始聚类
基本聚类方法概述及其sklearn参数详解
最新发布
qq_62577203的博客
04-17 769
目标·：同一类别内的点都足够近，不同类别间的点距离足够远。首先确定要将散点分为几类，然后挑选几个点作为聚类中心，依据预先定好的启发式算法进行迭代。这一类的聚类方法主要包括k-means算法及其变体包括k-medoids、k-modes、k-medians、kernel k-means等。n_clusters质心/分簇数量，默认为8init‘random’：随机选取。
【NLP复习】聚类算法及其改进
木尧大兄弟
06-20 1000
一、K-means算法 K-means的步骤 1.随机选k个聚类中心 2.遍历每个样本，找离自己最近的聚类中心并归到那簇 3.归完对每类算均值，更新这k个聚类中心 4.重复2，3直到聚类中心不再变 二、K-means算法的改进 K-means++：对k选取的改进，思想是初始的聚类中心之间的相互距离要尽可能的远。 轮盘法就是随机生成一个0到1的数，看看这个数落在了哪个样本点对应的区间（这个区间大小跟Step2算的概率是正相关，所以被选为聚类中心的概率越大，这个随机数落到这个区间
机器学习-聚类（K-Means）
小小攻城狮
03-25 385
K-Means原理初探 传统K-Means算法流程 K-Means初始化优化K-Means++ 在上节我们提到，k个初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响，因此需要选择合适的k个质心。如果仅仅是完全随机的选择，有可能导致算法收敛很慢。K-Means++算法就是对K-Means随机初始化质心的方法的优化。 K-Means++的对于初始化质心的优化策略也很简单，如下： ...
1.机器学习模型代码——聚类与评估参数
Captain_DUDU的博客
06-27 433
import sklearn.metrics as skm from sklearn import cluster import numpy as np import pandas as pd import matplotlib.pyplot as plt import joblib data=pd.read_excel("数据\\01.聚类数据1.xlsx") data <tr style="text-align: right;"> <th></th&
对于吴恩达机器学习的学习笔记
04-13
（一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。 （二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。 （三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。 ...
吴恩达机器学习笔记-人工智能机器学习算法入门笔记
01-26
该笔记是我在学习吴恩达机器学习时整理的，希望能够帮助到大家，如有错误还请大家指正。如果你想进入尖端人工智能领域，该笔记将帮助你做到这一点，掌握深度学习将为您提供许多新的职业机会。深度学习也是一种新的...
吴恩达机器学习自做笔记
01-16
"吴恩达机器学习自做笔记" 机器学习是人工智能的一个分支，旨在使计算机系统具有学习能力，以便于自动地改进其性能。吴恩达机器学习是机器学习领域的一本权威笔记，本笔记涵盖了机器学习的基础知识、监督学习、无...
吴恩达机器学习.zip
04-09
随着统计学的发展，统计学习在机器学习中占据了重要地位，支持向量机（SVM）、决策树和随机森林等算法的提出和发展，使得机器学习能够更好地处理分类、回归和聚类等任务。进入21世纪，深度学习成为机器学习领域的...
吴恩达机器学习学习笔记
04-04
【机器学习概述】 机器学习是人工智能的一个分支，其核心目标是让计算机通过学习数据而无需显式编程来改进其性能。简单来说，机器学习就是寻找一个能够最好地描述和预测数据的函数。这个函数可以是复杂的数学模型，...
算法总结（集体编程智慧） - 聚类、优化
SunJerdege
10-17 1045
非监督算法：聚类       1. 分级聚类 每次寻找最近的2个进行合并（思路如同哈夫曼编码） 2. K-均值聚类 先设定k的中心（假设分为k类），每次计算空间样本与k个类中心分别距离，并归类，重新设定k中心，然后在重新计算，一直到k中心不再改变为之。
利用聚类优化分类器
flybywind的专栏
06-30 1125
利用聚类优化分类器 http://www.spiral.pro/
k-means聚类算法原理与参数调优详解
热门推荐
喜欢打酱油的老鸟
05-16 4万+
https://www.toutiao.com/a6690435044869145101/ k-means算法原理 K-means中心思想：事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，接着，重新计算每个类的质心(即为类中心)，重复这样的过程，直到质心不再改变，最终就确定了每个样...
机器学习14：聚类K-MEANS优化
matafeiyanll的博客
02-06 371
聚类K-MEANS优化 算法分析1 对k个初始质心的选择比较敏感，容易陷入局部最小值。 例如，我们上面的算法运行的时候，有可能会得到不同的结果，如下面这两种情况。K-means也是收敛了，只是收敛到了局部最小值： K-Means算法优化1 使用多次的随机初始化，计算每一次建模得到的代价函数的值，选取代价函数最小结果作为聚类结果。 算法分析2 k值的选择是用户指定的，不同的k得到的结果会有挺大的...
转-机器学习之确定最佳聚类数目的10种方法
qq_43240060的博客
04-19 2877
原文网址：https://tech.ifeng.com/a/20171006/44707447_0.shtml 但是每次打开这个网址都加载的太慢了，还有广告，所以自己转过来看。 在聚类分析的时候确定最佳聚类数目是一个很重要的问题，比如kmeans函数就要你提供聚类数目这个参数，总不能两眼一抹黑乱填一个吧。之前也被这个问题困扰过，看了很多博客，大多泛泛带过。今天把看到的这么多方法进行汇总以及代码实...
【机器学习】DBSCAN聚类算法的理论/实现与调参
shuaixio的博客
10-24 4244
DBSCAN，密度聚类算法，算法流程，调参，python实现，c++实现
确定最佳聚类数matlab代码_K-means聚类最优k值的选取
weixin_39606019的博客
11-26 6003
最近做了一个数据挖掘的项目，挖掘过程中用到了K-means聚类方法，但是由于根据行业经验确定的聚类数过多并且并不一定是我们获取到数据的真实聚类数，所以，我们希望能从数据自身出发去确定真实的聚类数，也就是对数据而言的最佳聚类数。为此，我查阅了大量资料和博客资源，总结出主流的确定聚类数k的方法有以下两类。1.手肘法1.1 理论手肘法的核心指标是SSE(sum of the squared errors...
机器学习——聚类算法
谢谢你们的关注
08-05 286
机器学习——聚类算法
吴恩达机器学习代码优化
05-27
对于吴恩达机器学习课程中的代码，可以从以下几个方面进行优化： 1. 向量化：使用numpy等库进行向量化操作，能够显著提高代码运行效率，...以上是优化吴恩达机器学习代码的一些方法，需要根据具体情况进行选择和调整。

“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
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