【吴恩达 Machine Learning】 第三课 Week 1 学习笔记

第三课 week1

1.1 无监督学习

2.1 聚类算法

2.2 K-means聚类算法

K-means重复做两件事，第一个是遍历所有的点并将点分配给距离最近的簇质心（cluster centroids），第二个是重新计算均值找出新的质心并移动簇质心。

1）过程示意

2）算法

如果出现下面的现象，最常见的办法是消除集群，即k=k-1，或者重新初始化该集群的质心。

2.3 优化目标

失真（成本）函数 Distortion

2.4 初始化K-means

随即从示例中选取K个作为初始化的质心，这与初始化为随机的点的方法不同。

2.5 选择聚类数量

根据实际问题去权衡。

3.1 发现异常事件

异常检测算法会查看未标记的正常事件数据集，从而学会在检测到了异常事件时发出信号。

1）示例：飞机发动机检测

2）密度估计技术

为 $x$ 的概率建立模型。学习算法尝试找出具有高概率的特征 $x_1$、$x_2$ 的值是什么，以及在数据集中出现的可能性较小或概率较低的值是什么。

3.2 高斯正态分布

3.3 异常检测算法

不受特征之间的独立性的影响。

3.4 开发与评估异常检测系统

由于数据量少，不使用测试集，但修改参数后无法合理的评估，且调整 $\epsilon$ 的过程容易导致过拟合。

3.5 异常检测与监督学习对比

3.6 选择使用什么特征