概念摘要

最新推荐文章于 2023-06-25 20:05:49 发布

原创

最新推荐文章于 2023-06-25 20:05:49 发布 · 533 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文介绍了机器学习中的数据清洗、转换，以及数据规约方法。详细讲解了无监督学习中的聚类算法，包括K均值、分层聚类，并讨论了欧氏距离、非欧距离及其在分类中的应用。此外，还探讨了监督学习、决策树、概率分类器和核方法，如SVM和高斯过程。最后，提到了神经网络、回归分析以及评估指标和泛化能力的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.数据清洗，数据转化：将数据集转化为机器学习要求的格式，归一化，平均，方差，离散化。等等
2.mean（X)：求平均，如果该X是数组就求数组平均，如果是矩阵就按照列求平均。mean(A,1) = mean(A)，mean(A,2)是矩阵求各行的均值
3.st.dev:基于样本估算标准偏差。标准偏差反映数值相对于平均值(mean) 的离散程度。
这里写图片描述
4.数据规约：剔除异常数据，将数据降维（剔除不必要的纬度）(方法：SVD奇异值分解，PCA主成分分析)，数据实例过多的情况下，选取实例子集
5.无监督学习：从没有标签的数据中发现隐藏的结构，类似推荐系统。欧氏距离和非欧距离
6.欧氏距离：在n纬空间中，计算两个元素的距离，常称为P-范数距离，有L1和L2两种
L1（欧氏距离）：各个维度差的平方求和的平方根
L2（曼哈顿距离）：各个维度差的绝对值之和
7.非欧距离：基于元素的属性而非空间位置，比较有名的包括杰卡德距离，余弦距离，编辑距离，汉明距离
杰卡德距离：两个集合之间的相似度
这里写图片描述

余弦距离：空间向量的夹角的余弦值