吴恩达机器学习—聚类（10）

1. 无监督学习

在机器学习中，无监督学习可以被简单理解为不为训练集提供对应的类别标识。
无监督学习（Unsupervised Learning）下的训练集：(x⁽¹⁾),(x⁽²⁾),(x⁽³⁾)

2. 聚类

在监督学习中，把对样本进行分类的过程称之为分类（Classification），而在无监督学习中，将物体被划分到不同集合的过程称之为聚类（Clustering）。
在聚类中，把物体所在的集合称之为簇（cluster）。

3. K-Means 算法及实现

K: 描述了簇的数量，也就是应当聚合成的几何数。
Means：均值求解，是该算法的核心。
实现步骤：
1）根据设定的聚类数 K ，随机地选择 K 个聚类中心（Cluster Centroid）

2）评估各个样本到聚类中心的距离，如果样本距离第 i 个聚类中心更近，则认为其属于第 i 簇

3）计算每个簇中样本的平均（Mean）位置，将聚类中心移动至该位置

重复以上步骤直至各个聚类中心的位置不再发生改变。

4. 优化目标

和其他机器学习算法一样，K-Means 也要评估并且最小化聚类代价
代价函数J，也被称为失真代价函数：$$J(c^{}$$