人工智能基础－AI－第四次作业

1.K均值聚类  

K均值聚类是一种常见的无监督学习算法，用于将数据集分成k个不同的组或聚类。该算法的目标是最小化组内平方误差之和，组内平方差之和是每个点到其所属聚类中心的距离的平方和。

K均值聚类的过程通常如下：

1. 随机选择k个中心点作为初始聚类中心。
2. 对于每个数据点，计算其到k个中心点的距离，并将其分配给最近的聚类中心。
3. 计算每个聚类中心的平均值，并将其作为新的聚类中心。
4. 重复步骤2和3，直到聚类中心不再改变或达到预设的迭代次数。

K均值聚类有优点也有一定的限制，优点便于理解和实现但是需要指定聚类数K和对初始中心点的敏感性。

2.KNN  VS.  K-means

KNN 和 K-means 都是机器学习算法，但它们有不同的目的和工作方式。

KNN 是一种监督学习算法，用于分类和回归任务。给定一个新的数据点，它会识别其最近邻的 K 个数据点，并根据它们的标签或值来预测该数据点的标签或值。

K-means 是一种无监督学习算法，用于聚类任务。它将数据点分成 K 个簇，使得每个簇内的数据点之间的距离最小，而不同簇之间的距离最大。这些簇通常用于发现数据中的隐藏模式和结构。

3.主成分分析

主成分分析（PCA）是一种常见的无监督学习算法，用于降维、数据可视化、特征提取和数据压缩等任务。

PCA的目标是从原始数据中提取出最重要的特征或主成分，以减少数据的维度。这些主成分是原始特征的线性组合，且彼此之间相互独立。通过选择最重要的K个主成分，可以将数据从高维空间压缩到低维空间，从而减少计算成本和存储空间。

PCA在许多领域得到广泛应用，如图像处理、语音识别、金融分析、生物医学等。