机器学习聚类知识总结

最新推荐文章于 2024-08-20 17:13:50 发布
原创 最新推荐文章于 2024-08-20 17:13:50 发布 · 312 阅读 · 1 ·
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。
文章标签：

#ji

  1. 聚类任务的标准定义：

    这里写图片描述

  2. 聚类结果的性能度量：同一簇相似度高，不同簇相似度低。
    A.内部指标：
    这里写图片描述
    B.外部指标：
    这里写图片描述

  3. 距离计算：
    距离度量的定义
    闵科夫斯基距离
    这里写图片描述
    欧式距离 (p=2)
    曼哈顿距离 (p=1)
    对于无序属性采用VDM距离
    VDM距离的定义
    综合起来处理：
    这里写图片描述

  4. 基于原型的聚类：k均值算法

    这里写图片描述
    这里写图片描述

  5. 基于密度的聚类： DBSCAN算法

    这里写图片描述
    这里写图片描述

  6. 基于层次的聚类：AGENT算法
    这里写图片描述
    这里写图片描述

aiqi6666
关注
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
机器学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 16万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
机器学习——聚类
weixin_47779143的博客
12-11 1896
1. 分类 vs 聚类 分类： 有监督学习（需要标签）； 依据已知标签的数据，根据一定规则或模式，对新输入数据标记上影响标签（有明确的训练集，有人为给定标签）。 聚类： 无监督学习（没有标签）； 对于给定数据按照其相似性进行划分（没有训练集，没有标签，也不知道确切的类别或簇的数目）。 2. 聚类任务 在“无监督学习”任务中研究最多、应用最广； 聚类的目标是将数据样本划分为若干个通常不相交的簇（cluster）； 既可以作为一个单独过程（用于找寻数据内在的分布结构），也可作为分类等其他学习任务的前驱
【机器学习】聚类总结
Chester-py的专栏
10-22 348
聚类总结
机器学习之聚类算法总结
IT荻的博客
01-30 1159
聚类实在实现不知道任何样本类别标签的情况下，通过数据之间的内在关系把样本划分为若干类别，使得同类别样本之间的相似度高，不同类别之间的样本相似度低。 分类问题属于监督学习范畴，而聚类则是非监督学习。 Kmeans 他的基本思想是：通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。 算法的过程： 1.数据预处理，如归一化，离散点处理等。 2...
机器学习 聚类算法总结
qq_50909707的博客
02-23 2133
一、聚类算法简述 二、K-Means算法实现案例一——简单实现 # 一、导入库 import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import MiniBatchKMeans, KMeans from sklearn import metrics from sklearn.datasets._samples_generator import make_blobs def handler(): ...
机器学习——聚类（总结版）
qzhqbb的博客
08-20 1208
当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。将上面选取到的代表点根据固定的参数α（0≤α≤1 ）向该簇的质心收缩，距离质心越远的点（例如离群点）的收缩程度越大，因此CURE对离群点是不太敏感的，这种方法可以有效的降低离群点带来的不利影响。
2024年机器学习：Python实现聚类算法之总结
2401_84563080的博客
05-02 952
1）概述Hierarchical Clustering(层次聚类)：就是按照某种方法进行层次分类，直到满足某种条件为止。主要分成两类：a）凝聚：从下到上。首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有的对象都在一个簇中，或者某个终结条件被满足。b）分裂：从上到下。首先将所有对象置于同一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到了某个终止条件。（较少用）2）算法步骤。
【机器学习聚类算法实战-5】机器学习聚类算法之DBSCAN聚类、K均值聚类算法、分层聚类和不同度量的聚集聚类实例分析
一伦明悦的博客
05-25 1311
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法是一种基于密度的聚类算法，能够有效地发现任意形状的聚类，并能够处理噪声数据。
机器学习：聚类
Dreaming5498的博客
08-12 776
文章目录无监督机器学习相似度聚类聚类原则K-Means聚类K-Means 改进K-Mediods二分K-MeansK-Means++Mini Batch K-MeansK-Means可以的优化参数选择适当的K值聚类的“相对误差”K均值损失函数求偏导K的选择Canopy聚类层次聚类分裂的层次聚类： DIANA凝聚的层次聚类： AGNES密度聚类DBSCAN密度可达谱和谱聚类谱聚类PCA降维效果图代码...
机器学习-聚类
YChanging的博客
05-20 301
聚类：在无监督学习中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。聚类试图将数据集中的样本划分为若干个通常是不相交的子集。每个子集称为一个“簇”。 性能度量：聚类性能度量也称聚类“有效性指标”。与监督学习中的性能度量作用相似。要求“簇内相似度高”，“簇外相似度低”。 聚类性能度量大致有两大类：一类是将聚类结果与某个“参考模...
机器学习之聚类
tt丫的博客
10-03 5005
无监督学习中最常见的即为聚类学习。聚类学习是按照某种特定标准(如距离等)把一个数据集划分为不同的类或簇（子集），使得同一个簇内的数据对象的相似性尽可能大，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，不同类数据尽量分离）。这些划分后的概念对于聚类算法而言是未知的，簇所对应的概念语义需要我们自行接着探索，所以经常聚类被用作分类等其他学习任务的前驱过程。其中，u代表簇的中心点。每类中的点到对应簇中心的欧氏距离平方的和 ，值越小，聚类效果越好。
机器学习聚类
最新发布
03-26
### 什么是聚类算法 聚类是一种无监督学习方法，其目标是将数据集中具有相似特征的样本划分为不同的组或簇[^1]。与分类不同的是，在聚类过程中，类别标签通常是未知的，因此无法利用先验知识来指导模型的学习过程。 --- ### 常见的聚类算法及其特点 #### K-均值聚类 K-均值聚类是最经典的聚类算法之一，它通过迭代优化的方式最小化簇内误差平方和（SSE）。该算法的核心思想是随机初始化若干个质心，并不断调整它们的位置直到收敛。以下是其实现的关键步骤： ```python from sklearn.cluster import KMeans import numpy as np data = np.random.rand(100, 2) # 随机生成二维数据 kmeans = KMeans(n_clusters=3).fit(data) labels = kmeans.labels_ # 获取每个点所属的簇编号 centroids = kmeans.cluster_centers_ # 获取最终的质心位置 ``` 尽管简单高效，但 K-均值对初始条件敏感且容易陷入局部最优解。 --- #### 层次聚类 层次聚类可以进一步细分为自底向上（凝聚型）和自顶向下（分裂型）两种方式。其中，凝聚型层次聚类更为常见，它的基本思路是从单个点出发逐步合并最接近的两个簇直至形成单一的大簇为止。 ```python from scipy.cluster.hierarchy import linkage, dendrogram, fcluster import matplotlib.pyplot as plt Z = linkage(data, 'ward') # 使用 Ward 方法计算距离矩阵 plt.figure(figsize=(8, 4)) dendrogram(Z) # 绘制树状图 clusters = fcluster(Z, t=3, criterion='maxclust') ``` 相比其他方法，层次聚类提供了更加直观的结果展示形式——树形结构图（Dendrogram），但它的时间复杂度较高，不适合处理大规模数据集。 --- #### 凝聚聚类 作为一种特殊的层次聚类变体，凝聚聚类允许指定连通性约束以减少不必要的比较次数。这使得它可以很好地应用于图像分割等领域。 ```python from sklearn.cluster import AgglomerativeClustering agg_clustering = AgglomerativeClustering(n_clusters=3).fit(data) labels_agg = agg_clustering.labels_ ``` 此算法特别适合于那些存在自然邻接关系的数据分布情况下的应用场景。 --- #### 谱聚类 谱聚类基于图论的思想构建拉普拉斯矩阵并通过特征分解得到低维表示后再执行传统意义上的划分操作。这种方法尤其擅长应对非凸形状的数据集合。 ```python from sklearn.cluster import SpectralClustering spectral_model = SpectralClustering(n_clusters=3).fit(data) labels_spectral = spectral_model.labels_ ``` 然而需要注意的是，由于涉及到密集矩阵运算的缘故，当面对超高维度或者超大数量级输入时可能会面临性能瓶颈问题。 --- ### 总结对比表 | **特性/算法** | **K-均值** | **层次聚类** | **凝聚聚类** | **谱聚类** | |---------------|----------------------------------|-----------------------------|----------------------------|---------------------------| | 时间复杂度 | 较低 | 较高 | 中等 | 较高 | | 数据规模适应性 | 大规模 | 小到中等 | 中等到较大 | 中等到较小 | | 结果解释能力 | 易于理解 | 可视化效果好 | 自然边界清晰 | 对复杂形态表现优异 | 上述表格总结了几种主流聚类技术的主要差异之处。 ---
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