无监督算法汇总

最新推荐文章于 2025-10-10 17:07:13 发布
原创 最新推荐文章于 2025-10-10 17:07:13 发布 · 4.1k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。

博客主要介绍了EM算法，包含其原理、例子分析及应用，如在GMM中的讲解，还提及了孤立森林相关内容，这些均属于信息技术领域的数据挖掘算法知识。
聚类算法（无监督算法）
笨拙的石头的博客
04-10 2万+
一、聚类算法简介    聚类的基本思想：对于给定的M个样本的数据集，给定聚类（簇）的个数K（K<M），初始化每个样本所属的类别，再根据一定的规则不断地迭代并重新划分数据集的类别（改变样本与簇的类别关系），使得每一次的划分都比上一次的划分要好。    聚类是一种无监督的算法。    距离的常用度量方法：欧氏距离（P=2）二、聚类算法分类    聚类算法有很多种，主要分为划分聚类、密度聚类和谱聚...
简单易懂无监督分类算法：Kmeans, MiniBatchKmeans和DBSCAN
yonsan_的博客
12-23 680
DBSCAN与KMeans不同，它是一种基于密度分类的聚类算法。
随机森林算法详解
onlymscn的博客
10-10 1197
随机森林是一种高效、强大的集成学习算法，适用于多种实际任务。其通过“数据采样+特征随机性+集成投票/平均”三大机制，有效提升了模型的泛化能力和鲁棒性。
DenseBlocks:无监督分类算法-开源
04-29
DenseBlocks是n维数字数据的无监督分类方法。 它创建给定训练样本的多维密度表示，相应地定义聚类并返回该表示，该表示可进一步用于对相关数据进行分类。
无监督算法
weixin_30814329的博客
02-02 485
无监督算法： KMeans算法： 1、 随机初始化数据集簇的中心，一般从数据集中选择 2、 外循环： 内循环：计算各个数值点到中心的距离，进行聚类 计算每个聚类的平局值，移动聚类中心 PCA算法： 目标：数据压缩和可视化 1、 对样本数据进行去均值和归一化 2、 组建sigma矩阵，然后进行奇异值分解，求的压缩和的结果Z 异常检...
无监督学习算法
weixin_47266126的博客
12-23 1132
无监督学习算法在数据分析和挖掘中具有不可替代的作用。K-Means 聚类算法适用于快速将数据划分为预定数量的簇；层次聚类算法能够构建数据的层次结构，提供更丰富的聚类信息；主成分分析可有效降低数据维度，便于数据处理和可视化；DBSCAN 密度聚类算法则在发现数据的自然聚类和异常点检测方面表现出色。在实际应用中，需要根据数据的特点和具体的业务需求选择合适的无监督学习算法，以充分发挥其优势，为解决各种复杂的数据分析问题提供有力的工具和方法。
机器学习入门之无监督学习(聚类、降维(主成分分析)、关联度分析(Apriori 算法))
m0_74209411的博客
08-06 2291
介绍了机器学习中无监督学习的聚类、降维、以及关联规则学习。并就k-means、主成分分析（PCA）、以及Apriori算法简单展开介绍原理以及实战应用
机器学习入门（九）：非监督学习：5种聚类算法+2种评估模型
OldDriver1995的博客
05-06 2万+
聚类算法(Clustering Algorithms)常用于进行非监督学习（unsupervised learning)，即它处理的是没有事先标记分类的数据。一共介绍五种常见聚类算法: K-means Hierarchical GMM DBSCAN(基于密度的聚类算法） 基于网格Grid的聚类算法 距离公式 在了解聚类算法如何实现之前，需要先了解几种常见的距离计算公式，因为聚类算法会通过距离判断两...
常见的数据挖掘技术与机器学习算法汇总
08-17
在机器学习算法方面，有监督学习和无监督学习是两大主要类别。在有监督学习中，算法被提供一个带有标签的训练数据集，目标是学习出一个模型，当给定新的未见过的数据时，能够预测这些数据的标签。常见的有监督学习...
以《简单易懂》的语言带你搞懂无监督学习算法【附Python代码详解】机器学习系列之K-Means篇
热门推荐
w0714的博客
09-18 3万+
目录必看前言无监督学习算法1 聚类与分类2 K-Means算法2.1 K-Means的基本原理2.1.1 K-Means 是如何工作的？2.1.2 簇内误差平方和的定义2.2 K-Means算法的python实现2.2.1 导入数据集2.2.2 编写距离计算函数2.2.3 编写随机生成质心函数2.2.4 编写 K-Means 聚类函数2.2.5 算法验证结束语 必看前言 今天这一篇文章，将跟大家分享一下无监督学习算法。 而本文将试图用简单易懂的语言来讲说到底什么是无监督学习算法，同时主要会以KMeans算法
应用数学与机器学习基础 - 无监督学习算法篇
绎岚科技的博客
06-26 2511
无监督学习是机器学习的一种重要方法，它不需要预先标记的数据，而是通过算法自动发现数据中的模式、结构和关联。
无监督聚类算法
08-03
利于了解并学习的无监督聚类算法的有用文档教程
无监督学习：五个不同聚类算法之间的比较
02-08
无监督学习 五个不同聚类算法之间的比较 有关报告和结果的信息，请阅读“无监督学习的中期工作.pdf”文件
基于K-means无监督分类算法的图像分割_matlab实现(内涵两个程序：调用系统函数+纯自主编写算法代码)
11-30
基于K-means无监督分类算法的图像分割_matlab实现(内涵两个程序：调用系统函数+纯自主编写算法代码)——程序内可自主设置分类参数：迭代终止条件和类别数。 K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。
机器学习常见面试题汇总：涵盖监督与非监督学习、SVM、LR、决策树等算法原理及应用
05-08
内容概要：本文档涵盖了机器学习领域的多个核心概念与算法，详细解释了有监督学习和无监督学习的区别，深入探讨了支持向量机(SVM)、逻辑回归(LR)、决策树等常见算法的工作原理及其特性。文档还涉及了SVM、LR、决策树...
机器学习无监督学习算法
weixin_42456166的博客
07-05 4822
接下来，函数开始聚类操作，对于每个未被标记的点，找到其邻域中的所有密度可达的点，将它们放入同一个簇中，并将簇的数量加1。DBSCAN算法的基本思想是：对于给定的数据集，如果一个点的密度达到给定的阈值（通常是一定半径内的点数），则认为它是一个核心点，将其作为一个簇的种子点。最后，将剩余的点标记为噪声点或边界点，不属于任何簇。KMeans算法的基本思想是：将数据集中的每个样本分配到距离其最近的k个质心所代表的类别中，然后重新计算每个类别的质心，不断重复以上过程，直到类别不再发生变化或达到预定的迭代次数为止。
无监督学习算法概览：聚类、降维、异常检测等
qq_33578950的博客
04-09 2931
无监督学习是机器学习中重要的一部分，其目标是通过从数据中学习隐藏的模式和结构，为数据提供更深刻的洞察力。聚类、降维和异常检测是无监督学习中最常用的技术之一。聚类是将数据点分组到不同的簇中的过程，从而找到数据中的相似性和差异性。K-Means是聚类算法中最常用的算法之一，它是一种迭代算法，可以将数据点分为预定的簇数，该算法通常用于挖掘大规模数据集的内在结构，例如在市场细分、图像分割和生物信息学中。降维是减少数据维度的过程，同时保留数据的最大信息。
有监督算法和无监督算法都有哪些
一个人看小丸子
07-27 5105
有监督算法和无监督算法都有哪些
无监督分类的4种方法
xiaotiig的博客
01-17 9961
1）等宽法 类似于制作频数分布图，将属性分布值分为几个等分的分布区间； 2）等频法 将相同数量的记录放入每个区间； 3）基于聚类的分析方法 将属性按照K-means算法进行聚类，然后根据聚类的分类，将同一聚类的记录合并到同一组内。 4）模拟退火法求最优分类结果 参考文献： https://zhuanlan.zhihu.com/p/63990922 ...
数学建模算法汇总
最新发布
11-12
数学建模中常见的算法模型丰富多样，涵盖了数值分析、规划、智能优化、机器学习等多个领域。 ### 数值分析类 - **最小二乘法**：用于数据拟合和参数估计，通过最小化误差的平方和寻找数据的最佳函数匹配。 - **微分方程建模**：把实际问题转化为微分方程的定解问题，一般步骤为确定研究量和坐标系，找出基本规律，列出方程和定解条件。常见列方程的方法有多种，能解决许多涉及变化率的实际问题 [^2]。 - **GM(1,1)**：使用原始的离散非负数据列，经一次累加生成新的较有规律的数据列，建立一阶微分方程模型，得到原始数据的近似估计值以进行后续发展预测 [^4]。 ### 规划类 - **线性规划**：在一组线性约束条件下，求一个线性目标函数的最大值或最小值。 - **整数规划**：要求部分或全部决策变量取整数值的规划问题。 - **动态规划**：将多阶段决策问题分解为一系列相互联系的单阶段子问题，通过求解子问题来得到原问题的最优解。 - **贪心算法**：在每一步选择中都采取当前状态下最好或最优的选择，希望最终导致全局最优解。 - **分支定界法**：通过分支和限界的方法，逐步缩小解空间，找到最优解。 ### 智能优化类 - **蒙特卡洛方法**：利用随机抽样来求解数学问题或物理问题，通过大量随机试验来估计结果。 - **随机游走算法**：基于随机过程，在状态空间中随机移动以寻找最优解。 - **遗传算法**：模拟自然选择和遗传机制，通过选择、交叉和变异等操作，不断进化种群以找到最优解。 - **粒子群算法**：模拟鸟群或鱼群的群体行为，通过粒子之间的信息共享和协作，寻找最优解。 ### 机器学习类 - **神经网络算法**：模仿人类神经系统的结构和功能，由大量神经元组成，通过训练学习数据中的模式和规律。 - **人工智能算法**：涵盖范围广泛，包括机器学习、深度学习等多种技术，用于解决复杂的智能问题。 - **模糊数学**：处理模糊性和不确定性的数学方法，通过模糊集合和模糊逻辑进行推理和决策。 - **时间序列分析**：用于分析和预测随时间变化的数据序列，如经济数据、气象数据等。 - **马尔可夫链**：描述随机过程的一种数学模型，具有无后效性，即未来状态只与当前状态有关。 - **决策树**：通过构建树状模型进行分类和预测，每个内部节点是一个属性上的测试，每个分支是一个测试输出，每个叶节点是一个类别或值。 - **支持向量机**：用于分类和回归分析的监督学习模型，通过寻找最优的超平面来划分不同类别的数据。 - **朴素贝叶斯算法**：基于贝叶斯定理和特征条件独立假设的分类算法，计算每个类别的概率，选择概率最大的类别作为预测结果。 - **KNN算法**：通过计算待分类样本与已知样本之间的距离，选择距离最近的K个样本，根据这K个样本的类别进行投票，确定待分类样本的类别。代码示例如下： ```matlab % 示例数据 X = [1 1; 2 2; 3 3; 4 4; 5 5]; y = [0; 0; 1; 1; 1]; % KNN模型 knnModel = fitcknn(X, y, 'NumNeighbors', 3); % 预测 X_test = [3 3]; label = predict(knnModel, X_test); disp(['Prediction: ', num2str(label)]); ``` - **AdaBoost算法**：一种集成学习算法，通过迭代训练多个弱分类器，将它们组合成一个强分类器。 - **集成学习算法**：将多个弱学习器组合成一个强学习器，提高模型的性能和泛化能力。 - **梯度下降算法**：用于求解函数的最小值，通过迭代更新参数，沿着梯度的反方向逐步逼近最优解。 - **主成分分析**：通过线性变换将原始数据转换为一组各维度线性无关的主成分，提取数据的主要信息，减少数据的维度。 - **回归分析**：用于研究自变量和因变量之间的关系，常见的有线性回归，用于预测一个连续的输出变量 [^1]。 - **聚类分析**：将数据对象分组为多个类或簇，使得同一簇内的对象相似度较高，不同簇内的对象相似度较低。 - **关联分析**：挖掘数据集中不同项目之间的关联关系，例如关联规则挖掘（Apriori Algorithm） [^3]。 - **非线性优化**：目标函数或约束条件中包含非线性函数的优化问题。 - **深度学习算法**：基于深度神经网络的机器学习算法，通过多层神经网络自动学习数据的复杂特征和模式。
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