本文介绍了K-Means算法，一种无监督机器学习的聚类方法，用于处理未标记数据。阐述了无监督学习的概念及其在市场细分、社交网络分析和天文数据分析等领域的应用。K-Means算法包括选择K值、初始化质心、聚类分配和移动质心等步骤，并通过汽车数据集展示了其实现过程。还探讨了确定K值的肘部法则，并利用K-Means进行图像压缩，展示了其在压缩图像方面的潜力。
在本文中，我们将讨论K-Means算法，它是一种基于聚类的无监督机器学习算法。此外，我们还将讨论如何使用K-Means来压缩图像。
在深入研究K-Means算法的细节之前，让我们先了解一下无监督的机器学习是什么，以及它的实际应用是什么。
与有标记数据的监督机器学习不同，，无监督机器学习处理未标记数据的问题。如果你熟悉经典的有监督机器学习，你可能会问，如何从未标记的数据集中学习任何有用的东西？成本函数是否不需要输出标签来计算算法的执行方式？
无监督机器学习(更具体地说是K-Means)，是通过将相似的数据点聚集在高维空间中来实现的。
在左侧，数据点最初是分散的。假设我们不知道每个数据点是如何相关的，但它们不失普遍性。换句话说，仅仅通过查看图表，我们无法确定某某点是否相似，只是因为它们彼此靠近(同样，想象数据点是高维的，即大于3维)。
聚类的作用是，它将彼此更接近的数据点分组到一个聚类中，而不管维度的数量，从而表明属于单个聚类的数据点属于特定类。
这个简单的想法有可能解决我们社会面临的许多问题：
市场细分：根据不同的特征将潜在客户的市场划分或细分的过程。创建的细分市场由消费者组成ÿ
最低0.47元/天 解锁文章
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
