- 博客(7)
- 收藏
- 关注
RSS订阅原创 聚类--噪声去除
聚类算法中的噪声通常指的是一些被错误地分配到簇中的数据点，这些点可能是离群值(outliers)、异常点(anomalies)或者是噪声本身。基于距离的噪声移除方法：这种方法假设噪声点是距离其他数据点较远的点，因此可以通过设定一个距离阈值来移除距离大于该阈值的数据点。基于密度的噪声移除方法：这种方法的核心思想是在数据集中计算每个数据点的密度，并将低密度区域中的数据点视为噪声。基于专家知识的噪声移除方法：在某些情况下，领域专家可以提供关于噪声点的先验知识，这些知识可以用于检测和移除噪声点。
2023-04-14 13:32:21
1444
原创 聚类--相似性度量矩阵
对于Pearson相关系数，可以先将数据集中的每个数据点表示为一个向量，然后计算每对向量之间的Pearson相关系数，得到一个相关系数矩阵。对于余弦相似度，可以先将数据集中的每个数据点表示为一个向量，然后计算每对向量之间的余弦相似度，得到一个相似度矩阵。以上是常见的几种构造相似性度量矩阵的方法。需要注意的是，在进行聚类分析时，选择合适的相似性度量方法和相应的相似性度量矩阵非常重要，它们将直接影响聚类结果的准确性和可靠性。聚类的相似性度量矩阵是一个对称矩阵，它的每个元素表示两个数据点之间的相似性度量。
2023-04-14 13:23:01
1187
原创 支持向量机--处理非线性模型
如果样本集不是线性可分的，那么我们就不能像上面的处理方式一样求出www和bbb。1.最小化：{min12∥W∥2+C∑i=1Nσi⋯(1)s.t.yi[W⊤Xi+b]≥1−σiσi≥0\left\{\begin{matrix}min\frac{1}{2} \left \| W \right \|^2+C\sum_{i=1}^N \sigma _i \qquad \cdots(1) \\s.t. \quad y_i[W^{\top} \boldsymbol{X_i}+b] \ge 1-\sigma _
2022-12-25 21:12:54
267
原创 支持向量机(Support Vector Machine)--处理线性模型
如果存在一条直线，可以划分两个样本集，则必然存在无数条直线，那么哪条直线式最好的？如下图，三条直线哪条线式最好的？为什么？我们可以从不同的方面来讨论一下：（1）所有的特征向量最后的影响差不多： ①对x轴对应的特征进行划分，最好的一条线是L2； ②对y轴对应的特征进行划分，最好的一条线是L1。（2）对错误的容忍程度大小，最好的是L3。（因为左上角的点下移，右下角的点上移，都会造成误差，如下图）
2022-11-19 00:54:01
455
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人