17、机器学习中的聚类、强化学习与人工神经网络

机器学习中的聚类、强化学习与人工神经网络

1. 聚类分析

1.1 聚类概述

之前探讨的回归和分类属于监督学习方法，需使用有标签的数据让机器学习。而聚类则是无监督学习，没有正确答案或标签，只有输入数据，机器在学习时没有监督，算法需自行从数据中学习。聚类旨在发现数据中的簇或聚合。

1.2 聚类目标与用途

聚类属于无监督学习，数据无标签，很多情况下没有绝对正确的答案。其目标是发现数据中的自然簇，不是预测结果，而是寻找数据中可能存在的结构，将数据集划分为成员具有相似性的组。
例如，电商客户可根据收入或消费情况分组。聚类常用于地震研究、生物学、产品分类、制造业等领域，但对于簇的数量和数据点所属的簇没有严格规则，需根据项目目标和领域专业知识来确定。
- 聚类步骤 ：
1. 初始数据点可能无明显模式。
2. 应用聚类算法后可看到簇。
3. 聚类算法还可用于异常检测，找出不属于任何簇的点。

1.3 K - 均值聚类

K - 均值算法是一种聚类分析方法，它将对象划分为指定数量（k 个）的簇。下面以 Mall_Customers.csv 数据集为例，该数据集包含商场顾客的年龄、收入、消费、性别等信息，消费得分越高表示消费水平越高。

1.3.1 代码实现步骤

1. 导入必要的库 ：

import numpy as np
import