机器学习-无监督算法

最新推荐文章于 2025-06-25 10:28:13 发布
原创 最新推荐文章于 2025-06-25 10:28:13 发布 · 1.3k 阅读 · 2 ·
CC 4.0 BY-SA版权
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。

本文介绍了无监督学习中的聚类方法，包括KMeans、KMeans++和ISODATA算法。KMeans++作为KMeans的改进版，优化了初始聚类中心的选择。ISODATA则能动态调整类别，无需预设聚类数目。此外，还提及了高斯混合模型GMM在无监督学习中的应用。

《百面机器学习》读书笔记

无监督包括两类学习方法：数据聚类 与 特征变量关联。聚类算法通过多次迭代寻找数据的最优分割，特征变量关联利用相关性分析方法得到变量间的关系。

Kmeans

                     

Kmeans++

相对于Kmeans的改进：除了第一个初始聚类中心随机选取外，其他初始聚类中心的选择离现有聚类中心越远越好

ISODATA

相对于Kmeans而言，无需确定聚类中心个数，通过动态的拆分类别或聚合类别达到聚类的目的。因此ISODATA需要设定参数来指导类别的拆分和聚类，例如每个类要求的最少样本数、最大方差等。

高斯混合模型GMM

                  

 

                    

 

 

 

 

 

 

 

【机器学习-14】K-means聚类算法：原理、应用与优化
qq_38614074的博客
04-07 10万+
在众多聚类算法中，K-means算法因其简单高效而备受青睐。K-means算法的基本思想是：通过迭代的方式，将数据划分为K个不同的簇，并使得每个数据点与其所属簇的质心（或称为中心点、均值点）之间的距离之和最小。具体来说，K-means算法的执行过程通常包括以下几个步骤：首先，随机选择K个数据点作为初始的簇质心；然后，根据每个数据点与各个簇质心的距离，将其分配给最近的簇；接着，重新计算每个簇的质心，即取簇内所有数据点的平均值作为新的质心；
机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法
热门推荐
u013250861的博客
12-23 2万+
一、半监督学习算法提出的背景 1、监督学习 监督学习：训练样本集不仅包含样本，还包含这些样本对应的标签，即样本和样本标签成对出现。监督学习的目标是从训练样本中学习一个从样本到标签的有效映射，使其能够预测未知样本的标签。监督学习是机器学习中最成熟的学习方法，代表性的算法包括神经网络、支持向量机（SVM）等。 2、无监督学习 无监督学习：只能利用训练样本的数据分布或样本间的关系将样本划分到不同的聚类簇或给出样本对应的低维结构。- 因此，无监督学习常被用于对样本进行聚类或降维，典型的算法包括尺均值聚类和主成
机器学习（三）：无监督学习 K-means算法
Clannad_niu的博客
05-18 602
继续之前关于机器学习的笔记，此次为无监督学习的算法分享。 0x01 无监督学习概念 类比于之前的有监督学习而言，无监督学习最大的特点在于训练集中不会给出正确的分类，即训练样本中并没有对样本进行划分，需要算法自己学习，找出其中哪些样本是属于一类的。如下图所示 这...
机器学习无监督学习算法
weixin_42456166的博客
07-05 4837
接下来，函数开始聚类操作，对于每个未被标记的点，找到其邻域中的所有密度可达的点，将它们放入同一个簇中，并将簇的数量加1。DBSCAN算法的基本思想是：对于给定的数据集，如果一个点的密度达到给定的阈值（通常是一定半径内的点数），则认为它是一个核心点，将其作为一个簇的种子点。最后，将剩余的点标记为噪声点或边界点，不属于任何簇。KMeans算法的基本思想是：将数据集中的每个样本分配到距离其最近的k个质心所代表的类别中，然后重新计算每个类别的质心，不断重复以上过程，直到类别不再发生变化或达到预定的迭代次数为止。
机器学习算法 无监督学习 算法
ClarkChang的博客
06-26 6769
本文介绍无监督学习算法： 聚类算法 Apriori算法 FP-growth 算法 1 聚类算法 2 Apriori算法 3 FP-growth 算法
【机器学习】非监督算法
duxinyuhi的专栏
11-08 1565
1.k-means k-means 是所谓的爬山演算法，它非常依赖于你的初始集群中心所处的位置 2. SLC  SLC単连锁聚类，有点像最小生成树 把图中黑色的点分成两簇 3.软聚类 soft clustering 依赖概率论 4.EM算法 Em可以类比成k-means过程，即 EM算法是软聚类，开始时属于一个簇的概率很高比如0.999996，但属
机器学习基础---无监督学习算法
weixin_34344677的博客
01-12 160
2019独角兽企业重金招聘Python工程师标准>>> ...
机器学习-聚类算法（无监督算法）
2301_77836489的博客
05-23 1238
机器学习-聚类算法
机器学习经典无监督算法——聚类K-Means算法
m0_69045813的博客
01-17 1596
机器学习无监督学习算法之K-Means
K-means无监督机器学习算法在心脏CT图像分割中的应用.pdf
09-24
机器学习算法分监督算法、无监督算法、半监督算法。K-means算法是一种经典的无监督聚类方法，具有强大的搜索力。 CT扫描技术是医生进行心脏疾病诊断的重要手段之一。CT中心脏图像的分割是病变区域提取、特定组织...
机器学习——无监督学习(k-means算法)
weixin_50164178的博客
07-06 1851
机器学习，无监督学习中的K-Means聚类算法，图解以及实例。
机器学习-无监督学习-聚类算法
qq_46137221的博客
07-30 1020
机器学习-无监督学习-聚类算法1.什么是无监督学习2.聚类算法(K-均值)3.优化目标4.随机初始化以及K值的选择 1.什么是无监督学习 首先，在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样的： 在这里我们有一系列点，却没有标签。因此，我们的训练集可以写成只有????(1),????(2）……一直到????
无监督算法
妖米的博客
03-01 1657
无监督算法简介 就是依靠数据之间的相似度，形成数据的类别。 层次聚类 比如有7个数据点，A，B，C，D，E，F，G。我们采用数据的欧式距离作为相似度（距离越小越相似）： 将数据分别两两计算相似度： 得到BC的距离最小，这样我们就得到一个新的集合或者说是类：（B,C)。这样我们下一次计算相似度时，只有6个元素了：A，（B,C），D，E，F，G。然后两两计算相似度，得到： 当然，要提到的一点是，对于任意元素（如A）和集合（B，C）之间的距离度量，则取A分别和B，C的距离的均值（下面是几何均值）： 当然若
机器学习之无监督学习
黑黑白白君的博客
03-10 287
#Unsupervised learning（无监督学习） supervised learning（监督学习）：有一系列标签，然后用假设函数去拟合它； unsupervised learning（无监督学习）：将这系列无标签的数据输入到算法中，然后让算法找到一些隐含在数据中的结构； #clustering algorithm（聚类算法） 能够找出图中所圈出的cluster（簇）的算法【...
机器学习（十三）无监督学习：聚类算法
weixin_53312629的博客
02-22 4033
本文主要介绍了聚类算法的相关内容。首先复习了无监督学习的内容以及聚类算法的应用。其次从直观上介绍了 K 均值算法，以及该算法的规范表达和具体的应用（分离不佳的簇）。在优化目标的部分提到了失真代价函数，同时也对 K 均值算法进行了补充。随机初始化 K 均值算法适用于聚类数目相对较小的聚类方法，有时可以帮助我们找到对数据进行聚类的更好的方法。聚类数量 K 仍然是通过手动、人工输入或者用经验来决定。一种可以尝试的方法是使用“肘部原则”，但不会期望它每次都有效果。选择聚类的更好的思考运行 K 均值聚类的目的是什么。
机器学习-无监督学习
最新发布
个人做题记录，大佬勿喷
06-25 649
菜鸡一枚，仅作为学习记录
【机器学习】几种常见的无监督学习算法
Code · Cloud · Think · Repeat
05-26 1万+
降维是指在保留数据特征的前提下，以少量的变量表示有许多变量的数据，这有助于降低多变量数据分析的复杂度。减少数据变量的方法有两种：一种是只选择重要的变量，不使用其余变量；另一种是基于原来的变量构造新的变量。
机器学习之无监督学习-K均值聚类算法
nuist_NJUPT的博客
12-05 2034
机器学习之无监督学习-K均值聚类算法 对于无监督学习，有两类重要的应用，一个是聚类，一个是降维。我们今天主要学习聚类中的K均值聚类。 我们先看看下图，图a为原始的数据点，我们想要对图a的数据点进行分类，在图b中我们先随机的指定两个质心点(×)作为初始点。如图c所示，距离红色点(×)近的我们分到红色类中，距离蓝色点(×)近的我们分类到蓝色类中。接下来我们更新质心点，如图d所示，根据已有红色的点，求均值，得到它们中间的质心点，更新为当前红色质心点，根据已有蓝色的点，求均值，得到它们中间的质心点，更新为当前蓝色的
AI学习笔记之七：探索无监督学习的原理、常用算法及实现解析
2401_85325557的博客
06-06 1277
无监督学习也称为无监督机器学习，是机器学习领域中的重要分支之一，它使用机器学习算法来分析未标记的数据集并进行聚类。机器学习的分类与有监督学习和强化学习不同，无监督学习😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓无监督学习算法需要从原始数据中自主发现内在结构、模式或知识。**这种“自主学习”的范式更贴近人类自主学习的方式，使得无监督学习在许多应用场景都有独特的优势，这种方法能够发现信息的相似性和差异性，因而是探索性数据分析、交叉销售策略、客户细分和图像识别的理想解决方案。**
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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