2022-2-18第四章机器学习进阶--聚类

最新推荐文章于 2024-07-02 13:08:57 发布
最新推荐文章于 2024-07-02 13:08:57 发布
阅读量500 收藏
点赞数
文章标签： 聚类 机器学习 人工智能
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。
本文链接：https://blog.csdn.net/weixin_45526009/article/details/123006186
版权

聚类的本质

聚类：实质上就是将一组多类数据，分成固定类别的方法，考虑到不同维度空间，之际就是数据的降维
在这里插入图片描述

主要内容

在这里插入图片描述

相似度

样本点到目标的距离其实是等级于样本点于此目标类别的相似度（不同的相似度计算方法适用于不同场景）

在这里插入图片描述

K-means

在这里插入图片描述
在这里插入图片描述步骤：
①指定初始类别，分别计算各样本到类别中心距离，取最小值距离作为此样本类别
②统计每个类别的样本均值，将次均值作为新的类别中心，不断迭代
③通过指定的迭代次数、簇中心变化率、最小平方误差作为判断循环终止的标准

存在问题：异常值、初值选择
在这里插入图片描述
一般采用方法：①异常值：过滤噪声
②初值选择：K_mean++算法，对于初值
在这里插入图片描述

K-means公式化解释

将各簇平方误差累加作为总体误差，目标函数越小越佳
在这里插入图片描述在这里插入图片描述注：K均值对于样本有一定要求（使用K-means的样本要求）
—由K各高斯分布混合得到的并且每个簇中的方差都相同

大样本采用minibatch

在这里插入图片描述

K-means衡量标准

在这里插入图片描述在这里插入图片描述
在这里插入图片描述在这里插入图片描述

YJF-NJU
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【人工智能与机器学习】——聚类（学习笔记）
HinsCoder的博客
12-15 745
我们之前学习的算法均是**有监督学习**（supervised learning），它的一个鲜明特征是通过给定的标签来学习从数据特征（如图像）到语义标签的映射关系。但在很多实际问题中，数据并没有语义标签，解决此类问题就要用到**无监督学习**（unsupervised learning）。 无监督学习有很多技术方向，聚类（clustering）是其中一个重要的方向。聚类的本质就是把特征相近的数据样本放到一起，达到“人以群分，物以类聚”的效果。将聚类应用在社交网络上，可以根据上网习惯特征，把行为习惯类似的用户
机器学习中分类与聚类的本质区别
wojiushimogui的博客
07-02 3万+
机器学习中分类与聚类的本质区别机器学习中有两类的大问题，一个是分类，一个是聚类。 在我们的生活中，我们常常没有过多的去区分这两个概念，觉得聚类就是分类，分类也差不多就是聚类，下面，我们就具体来研究下分类与聚类之间在数据挖掘中本质的区别。
聚类方法概要
何足道的博客
07-03 552
本文主要简单介绍聚类的本质思想、用途及分类。 在最后给出各算法详细内容的链接。 一、概要 聚类算法是无监督学习中的典型算法。 通过训练不带标签的原数据，根据样本的相似度或距离将其归类，总结每一类的基本特征，从而了解实质。聚类本质是统计描述方法，建立建设，而非验证假设。 用一句古语来说，就是“物以类聚，人以群分”。 聚类的核心概念是相似度或距离，因为相似度或距离将直接影响聚类的结果，所以其选择会是聚类的根本问题，具体的选择取决于应用场景的特性。 常用的相似度或距离： 闵可夫斯基距离（简称闵氏距离，可以衍生
《机器学习》赵卫东学习笔记 第4章 聚类分析（课后习题及答案）
weixin_41524411的博客
05-31 1万+
1.聚类分析的目的是什么? 聚类分析用于对未知类别的样本进行划分，将它们按照一定的规则划分成若干个类族，把相似(距高相近)的样本聚在同一个类簇中， 把不相似的样本分为不同类簇，从而揭示样本之间内在的性质以及相互之间的联系规律 2.讨论聚类与分析的关系 聚类算法将未标记的样本自动划分为多个类簇，但不会提供对每个类簇的语义解释，这部分解释就需要数据分析人员对聚类结果进行归纳总结，阐...
分类与聚类的本质区别
大数据技术派
06-28 6304
数据分析挖掘或者说机器学习中，有聚类与分类的概念，这是两个大类的问题，有人平时可能没有过多的去关注两者的区别。认为，聚类就是分类，分类就是聚类？显然，是不对的。分类是根据...
菜菜的sklearn课堂完整版pdf(1-11课).rar
06-17
《菜菜的sklearn课堂完整版》是一份深入浅出的机器学习教程，涵盖了从基础到进阶的多个重要主题，特别关注了Python中的scikit-learn库的应用。该教程一共11课，旨在帮助初学者及有经验的开发者更好地理解和运用机器...
Play-with-Machine-Learning-Algorithms-master_机器学习_algorithms_
09-29
"Play-with-Machine-Learning-Algorithms-master" 是一个项目，旨在帮助初学者和进阶者深入理解并实践机器学习算法。这个项目覆盖了从基础到复杂的多种算法，是提升机器学习技能的理想资源。 首先，我们要了解机器...
course-RecSys:Python与机器学习方向，《聚类与推荐算法》课程仓库
05-10
《聚类与推荐算法》课程仓库是一门专为Python与机器学习初学者设计的课程，旨在引导学生深入了解推荐系统的构建和应用。课程分为九个章节，涵盖了从基础到进阶的多个主题，确保学员能够逐步掌握相关技能。下面将详细...
数据分析师进阶之路-python学习认证.docx
06-19
第3章的相关分析探讨了变量之间的关系，而第4章的回归分析用于预测连续型变量。第5章的分类涉及逻辑回归、决策树等模型，用于预测离散型变量。第6章特征工程是机器学习的关键步骤，通过创建新的有意义的特征来提升...
Machine-Learning:2021-1机器学习班
03-14
2. **算法讲解**：课程可能会深入讲解各种机器学习算法，如线性回归、逻辑回归、决策树、随机森林、支持向量机、K近邻、聚类算法（如K-Means）、神经网络和深度学习等。 3. **数据预处理**：这部分内容会涵盖特征...
关于聚类类别数k的选择
竹生的专栏
08-29 1874
如何确定聚类的类别个数 由适当的阈值确定 根据数据点的散布图直观地确定类的个数 手肘法，利用核心指标SSE（sum of the squared errors误差平方和）在k增大时下降的斜率来判断，选取下降程度变化由剧烈到平滑的分割点，即肘部 SSE=∑i=1k∑p∈Ci∣p−m∣2SSE=\sum_{i=1}^{k}\sum_{p\in C_i}|p-m|^2SSE=i=1∑k​p∈Ci​∑​∣p−m∣2 轮廓系数法：轮廓系数（Silhouette Coefficient）结合了聚类的凝聚
聚类及聚类算法的分类
热门推荐
count_on_me的博客
08-29 7万+
一、聚类 1、聚类概念 聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。 2、聚类的目标 使同一类对象的相似度尽可能地大；不同类对象之间的相似度尽可能地小。 3、聚类和分类的区别 聚类技术通常又被称为无监督学习，因为与...
【机器学习】聚类算法详细介绍（理论+图解）
CSDN 精品推荐
07-16 4767
  简 介：下面是我在学习时候的记录并加上自己的理解。本文意在记录自己近期学习过程中的所学所得，如有错误，欢迎大家指正。   关键词：Python、机器学习 一、聚类算法的定义 像一些经典的算法比如随机森林、支持向量机这些算法我们都知道，他们都是基于对数据标签进行学习，但是往往有的时候我们获得的数据是没有标签的，只有特征列数据等，这个时候我们就不能够使用之前的算法进行建模，我们需要采用一种新的方式进行区分样本。 在生活中，可以采用人工的方式进行将数据分类，利用人的经验分析数据的结构..
聚类算法基本原理
保护大苹果
11-02 5911
聚类算法 聚类算法是无监督学习算法，在无监督学习中，目标属性是不存在的，我们是根据内部存在的数据特征，划分不同的类别，使得类别内的数据比较相似。 对数据进行聚类的思想不同可以设计不同的聚类算法，本章主要谈论三种聚类思想以及该聚类思想下的三种聚类算法。 本章主要涉及到的知识点有： “距离” K-Means算法 几种优化K-Means算法 密度聚类 算法思想：“物以类聚，人以群分” 本节首先通过聚类算法的基本思想，引出样本相似度这个概念，并且介绍几种基本的样本相识度方法。 算法思想 俗话说
分类与聚类的本质
weixin_43250623的博客
10-25 556
机器学习中有两类的大问题，一个是分类，一个是聚类。 分类 分类有如下几种说法，但表达的意思是相同的。 对于分类来说，在对数据集分类时，我们是知道这个数据集是有多少种类的。根据给定的数据集，训练出一个模式或者规则（把每个属性集x映射到一个预先定义的类标号y中就,是得到一个函数。），再使用该模型对新来的数据进行类别判断。 我们可以将分类看作是有监督的学习。通过学习来得到样本属性与类标号之间的关系。该学...
聚类的本质
weixin_45547419的博客
04-05 285
###聚类 今天看EM聚类示例，以及实战案例是对王者荣耀的英雄进行聚类，突然意识到，聚类其实就是把他们的本质抽象出来，虽然表象有10000种，但其实质只有7种。聚类就是从表象中发现他们的本质。 白话机器学习之EM聚类 ...
DDMA信号处理以及数据处理的流程---聚类
XiaoJie的博客
06-28 111
Xiaojie准备连载一个系列的文章---DDMA信号处理以及数据处理的流程，本系列文章将从目标生成、信号仿真、测距、测速、cfar检测、测角、目标聚类、目标跟踪这几个模块逐步介绍，这个系列的文章大约是一个7-8篇左右。
【机器学习】机器学习的重要方法——线性回归算法深度探索与未来展望
最新发布
2301_79181030的博客
07-02 1262
首先，现实世界中的关系往往是非线性的，这限制了线性回归的预测能力。为了应对这一挑战，研究者们提出了诸如多项式回归、决策树回归、随机森林回归等更复杂的模型。在数据科学日益重要的今天，线性回归算法以其简单、直观和强大的预测能力，成为了众多领域中的基础工具。本文将详细介绍线性回归的基本概念、核心算法，并通过五个具体的使用示例来展示其应用，同时探讨其面临的挑战，并对未来进行展望。线性回归的核心算法是最小二乘法，它通过最小化误差的平方和来求解最佳的模型参数（即回归系数）。
机器学习（三）
CPanMirai的博客
07-01 1757
欠拟合：一个假设在训练数据上不能获得更好的拟合，并且在测试数据集上也不能很好地拟合数据，此时认为这个假设出现了欠拟合的现象。（模拟过于简单）过拟合：一个假设在训练数据上能够很好的拟合，但是在测试数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。（模型过于复杂）​ 逻辑回归（Logistic Regression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的联系。由于算法的简单和高效，在实际中应用非常广泛。
机器学习西瓜书第九章聚类------k均值算法
10-26
k均值算法是一种常用的聚类算法，它的主要思想是将数据集划分为k个簇，每个簇的中心采用簇中所含值的均值计算而成。该算法的步骤如下： 1. 随机选择k个点作为初始的簇中心。 2. 对于每个数据点，计算其与k个簇中心的距离，将其归到距离最近的簇中心所在的簇中。 3. 对于每个簇，重新计算其簇中所有数据点的均值，将其作为新的簇中心。 4. 重复步骤2和3，直到簇中心不再发生变化或达到预定的迭代次数。 k均值算法的优点是简单易懂，容易实现，适用于大规模数据的聚类。但是该算法也有一些缺点，例如对于不同密度和形状的簇，其聚类效果可能不佳。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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