机器学习笔记——无监督学习

最新推荐文章于 2024-09-17 09:45:00 发布
最新推荐文章于 2024-09-17 09:45:00 发布
阅读量437 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 无监督学习 PCA SVD
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/li8zi8fa/article/details/77568109
版权

1、有啥用？

2、聚类

（1）K-Means

（2）HAC-分层聚类

2、降维

（1）PCA






PCA的另一种解释



与SVD的关系

与自动编码的关系

PCA的缺点

SVD

学习

预测

SVD升级版本

SVD的应用

其他相关技术


千君一发
关注
专栏目录
机器学习笔记之监督学习与无监督学习的一些初步总结
weixin_33963189的博客
06-09 195
  1、通俗解释版 　　这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 　　首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路...
人人AI（吴恩达系列）
毕竟是Shy哥
08-03 1954
AI是两个独立的ideas：弱人工智能（智能音箱、自动驾驶、网络搜索）&强人工智能（帮你做任何事）ANI进步很快，AGI进步的缓慢。ANI（单一的人工智能）监督学习：从输入到输出的映射（从A到B）例子：要想得到良好的效果，需要什么：1.大量的数据2.训练一个非常大的神经网络A、B一般是自己决定的，从哪到哪AI可以做什么，不可以做什么判断监督学习（A->B）能做什么不能做什么？几乎所有一瞬间你可以完成的事，都可以用监督学习来完成左边的容易做,A->B....
机器学习之监督学习、数据标签
weixin_44039930的博客
12-11 5678
监督学习 监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形
聊聊机器学习中的无监督学习
weixin_30741653的博客
11-02 494
机器学习分为监督式机器学习、无监督式机器学习和半监督式机器学习。其划分的标准是训练样本是否包含人为标注的结果。(1)监督式机器学习：从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。(2)无监督式机器学习：与监督学习相比，训练集没有人...
机器学习两种方法——监督学习和无监督学习（通俗理解）
热门推荐
风翼冰舟的博客
09-19 13万+
监督学习与无监督学习
机器学习笔记——无监督学习（unsupervised learning）
shanwenkang的博客
12-18 932
聚类 之前我们讲到的都是监督学习，下面让我们来看对于无监督学习我们应该如何进行分类呢？无监督学习对应的就是给定的样本点我们不给输出值来进行分类 K-means K-means是一种十分常用的算法，它的过程就是对于给定的K个初始点，首先根据各个样本点到其的距离进行分类，之后将这K个初始点位置更新为本类内所有点的平均位置，再不断迭代，直到K个聚类中心的位置不变 采用这种方法我们对于非分...
机器学习课堂笔记——监督学习
最新发布
EShiLa的博客
09-17 755
面积、房龄、所处区域。
【机器学习西瓜书学习笔记——半监督学习】
m0_51148715的博客
08-13 769
SVM。
视频学习笔记——李宏毅机器学习——P1，2
09-12
总结来说，机器学习是一个涵盖广泛领域的研究主题，包括深度学习、监督学习、无监督学习和强化学习等多种方法。这些方法都在不断进步，推动着人工智能的发展，并在众多实际应用中展现出强大的潜力。通过持续的学习和...
机器学习学习笔记之——无监督学习之降维、特征提取与流形学习
前尘忆梦的博客
12-08 1663
降维、特征提取与流形学习 前面讨论过，利用无监督学习进行数据变换可能有很多种目的。最常见的目的就是可视化、压缩数据，以及寻找信息量更大的数据表示以用于进一步的处理。 为了实现这些目的，最简单也最常用的一种算法就是主成分分析。我们也将学习另外两种算法：非负矩阵分解（NMF）和 t-SNE，前者通常用于特征提取，后者通常用于二维散点图的可视化。 1、主成分分析（PCA） 主成分分析（principal component analysis，PCA）是一种旋转数据集的方法，旋转后的特征在统计上不相关。在做完这种旋
机器学习笔记——监督学习，无监督学习，半监督学习
陈正经
07-28 2800
这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 什么是学习（learning）？ 学习：一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一...
慕课学习笔记——1机器学习（无监督学习）
weixin_44081243的博客
02-27 403
无监督学习 1. 导学部分 **tips：**使用聚类要计算距离 tips：使用马氏距离，中心到红点的距离大于中心到绿点的距离（这里不太明白） **tips：**使用了三种算法：dbscan函数（最快）；近邻传播算法（最慢）；谱聚类算法 常用聚类算法 降维 用于提高运算性能 常用降维算法 **思考：**上述问题哪些是聚类，哪些是降维问题？ 降维：4 聚类：123 2....
【1】机器学习笔记——人工智能概述
这个人很懒，什么都没留下
04-18 680
机器学习笔记
《从机器学习到深度学习》笔记（2）无监督学习
kgsew的专栏
04-22 708
有监督学习用于解决分类问题的前提是必须有一个带标签数据的样本集，但获得数据标签的代价往往是非常昂贵的。同时，这些标签通常都是人工标注，标注错误的情况也时有发生。这样就促使了无监督学习策略的发展，简单的说它就是： 对无标签数据进行推理的机器学习方法。 1. 场景 由于无监督学习的前提是不需要前期的人类判断，所以它一般是作为某项学习任务的前置步骤，用于规约数据；在无监督学习之后，需要加入人类知识...
深入理解朴素贝叶斯（Naive Bayes）
li8zi8fa的博客
07-27 9万+
朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单，也很容易实现，多用于文本分类，比如垃圾邮件过滤。该算法虽然简单，但是由于笔者不常用，总是看过即忘，这是写这篇博文的初衷。当然，更大的动力来在于跟大家交流，有论述不妥的地方欢迎指正。
最大似然估计，高斯分布，高斯混合模型，EM算法
li8zi8fa的博客
08-09 1万+
1、最大似然估计 似然的概念与概率类似，但是又很不相同。假如随机变量X服从某种分布（比如高斯分布），概率是指在给定参数（均值，方差）的条件下，X=x的可能性；而似然则指X=x的条件下，某一组参数反映了X=x的真实性大小。 最常见的应用是最大似然估计。假设有N个数据点，服从某种分布Pr(x;θ)，我们想找到一组参数θ，使得生成这些数据点的概率最大，这个概率就是 称为似然函数（Lilel
机器学习笔记——概率生成模型
li8zi8fa的博客
08-18 9669
假设有两类数据，每一类都有若干个样本；概率生成模型认为每一类数据都服从某一种分布，如高斯分布；从两类训练数据中得到两个高斯分布的密度函数，具体的是获得均值和方差两个参数；测试样本输入到其中一个高斯分布函数，得到的概率值若大于0.5，则说明该样本属于该类，否则属于另一类。     算法的核心在于获取分布函数的两个参数。具体的做法是：利用训练数据，构造似然函数，使得该似然函数最大的参数即为所求。事实
为什么L1稀疏L2平滑？
li8zi8fa的博客
08-28 6413
两种解释———————————— 1、从L1和L2的来源看 当你想从一个手头的数据集中学习出一套规则时，贝叶斯学派认为仅仅使用这些数据是不够的，还需要加入先验知识。如果你在损失函数中使用了L1正则项，那么其实质就是加入了拉普拉斯先验分布，即认为数据是符合拉普拉斯分布的；如果你使用了L2正则项，那么就是加入了高斯先验分布，即认为数据是符合高斯分布的。一般由于推导和计算方便，会对分布函数取
海伦司招股书解读：机器学习基础——加法与标量乘法
在《海伦司招股书概览：年轻人的小酒馆，奔赴百城千店》这篇关于机器学习笔记中，重要知识点集中在加法和标量乘法的概念及其在矩阵运算中的应用。首先，矩阵的加法遵循规则，只有当矩阵的行列数相等时才能进行，类似...
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