buwangchuxinking的博客

该实验对比K-Means、DBSCAN与GMM三种聚类算法在含噪声数据上的表现。通过生成3个密集团块（300点）并添加10个离群点，结果表明：K-Means强制分配所有点，导致中心偏移；DBSCAN基于密度识别噪声（标记为-1），剔除异常值后轮廓系数最高（0.815），适合异常检测；GMM以概率方式软聚类，虽轮廓系数与K-Means相当（0.797），但可输出归属置信度，揭示模型不确定性。三图直观展示各算法对结构与噪声的处理差异。

本文系统总结了五大类聚类算法：基于划分（如K-Means、K-Medoids）、密度（DBSCAN、OPTICS）、层次（凝聚聚类）、概率模型（GMM）及图论（谱聚类）。每类算法原理、优缺点与适用场景清晰对比，附实战选型口诀：大数据用K-Means，未知簇数或含噪声选DBSCAN，需概率归属选GMM，小样本探索用层次聚类。兼顾理论与应用，助力高效算法选型。

本文通过多个案例深入解析SVM在二分类、多分类及高维文本数据中的应用。基于乳腺癌数据集，构建标准化+SVM的流水线，结合网格搜索优化C与gamma参数，实现98.02%的测试准确率。通过交叉验证评估模型稳定性，结果显示标准差仅0.0162，表明模型鲁棒性强。引入probability=True后，可输出预测概率，揭示模型不确定性（如样本4的52%良性概率），助力医疗决策。结果表明，特征维度提升需调小gamma、增大C以适应复杂数据，凸显参数与数据特性的交互关系。

本学习路线专为有Python基础者设计，7～9个月系统掌握机器学习与深度学习。以项目驱动，分四阶段：0）补强数据处理与基础数学；1）掌握监督/无监督学习及评估指标，完成泰坦尼克预测；2）深入神经网络、CNN、Transformer，实现CIFAR-10分类或情感分析；3）选方向深耕（如NLP/CV/强化学习），微调模型并构建可演示作品；4）工程化部署，用FastAPI、ONNX上线模型。推荐《动手学深度学习》等资源，强调“边学边做”，数学按需补，聚焦PyTorch与大模型应用，最终实现独立训练并部署AI项目