非监督学习unsupervised learning
聚类Clustering
K-means算法:
步骤1:簇分配:遍历所有样本,把与聚类中心接近的点划为一类;
步骤2:移动聚类中心:把聚类中心移动到和它同类的数据集的均值处。
迭代以上两步骤,直到聚类中心和点集不再变化。
两个输入:K(想聚类处的簇的个数);只有x没有标签y的训练集。
x(i)是n维向量。
算法表示:
如果存在一个没有点分配给它的聚类中心,则直接移除那个聚类中心。
应对没有很好分开的
非监督学习unsupervised learning
聚类Clustering
K-means算法:
步骤1:簇分配:遍历所有样本,把与聚类中心接近的点划为一类;
步骤2:移动聚类中心:把聚类中心移动到和它同类的数据集的均值处。
迭代以上两步骤,直到聚类中心和点集不再变化。
两个输入:K(想聚类处的簇的个数);只有x没有标签y的训练集。
x(i)是n维向量。
算法表示:
如果存在一个没有点分配给它的聚类中心,则直接移除那个聚类中心。
应对没有很好分开的