xd.L-优快云博客

原创聚类算法实践-KMeans算法

第一步和前几天实验一样，安装工具包，我们制定五个中心，以这五个点位为中心发散，定义这个发散后形成簇的大小，以及发散程度然后进行决策边界，我们要指定簇的个数k，查看他们的结果，可以发现每个点的归属，比如第一个点归属第3个簇下面的是测试，指定了四个点，用kmeans测试，这些0，4，1，1表示当前点所在的簇用下面模块可以看到那4个点到5个簇的距离。

2025-02-28 13:45:33 218

i=0,1,...n}，计算点p(i)到集合D的子集中所以点之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k距离。密度可达：若有一个点的序列q0、q1、...对任意qi-qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可达的"传播"核心对象：在一个圆中存在的点的数量，也算是密度，如果我们设密度为3，那么我们会把最少有三个点的聚为一类。噪声点：不属于任何一个簇，比如核心对象为3，可旁边最多2个点聚在一起，这些点就称为噪声点。-领域的距离阈值：就是刚刚设定那个圆的半径r。

2025-02-24 13:04:32 410

原创 KMEANS算法

聚类：在我们手里没有监督位（标签），还要把所以相似的分在一起根据我们数据分布的不同，我们分成了几块，也就是聚类完，得到了几个类别。

2025-02-21 12:23:17 449

原创逻辑回归.

图像画出来可以看到，随着花瓣宽度增加也就是横坐标，属于Vir这个花的概率在增加，属于其它类别的概率值在减小中间交会的地方（1.6，0.5）这个地方最难分辨。线性回归中，得到了具体回归值，逻辑回归是完成分类的，它是借助sigmoid函数来完成数值映射，通过概率值比较来完成分类任务。x0是竖着相同，x1是横着相同，我们接下来我们要把他们组合起来，也就是把所以可能的数据点全部做出来。通过y找到正确值的概率，传入对数函数中，越接近1，正确率越高，表示损失越小。我们以蓝色为正确值，越接近外面概率值越小，往里越大。

2025-02-20 12:53:51 270