4、机器学习基础：策略与技术

机器学习基础：策略与技术

1. 支持向量机（SVM）与数据空间维度提升

支持向量机（SVM）可以提升数据空间的维度，直至一个 (N - 1) 超平面能够分离不同的类别。例如，将二维图形转换为三维空间，这样一个 N = 2 的超平面就可以提供一个边界。

2. K - 均值算法（KM）

2.1 算法概述

K - 均值算法是一种经典的聚类算法，与 K 近邻算法不同，它属于无监督学习。该算法尝试在无标签数据中寻找聚类。

2.2 算法步骤

1. 猜测聚类数量 ：首先对数据集中的聚类数量 K 进行一个初始猜测，后续会对这个值进行优化。
2. 随机选择伪中心 ：随机猜测每个聚类的中心点位置，创建 k 个伪中心。这些伪中心应彼此保持合理的距离，并且可以随机选择（除非对数据结构有先验知识）。
3. 分配数据点 ：将数据集中的每个点分配给其最近的伪中心。
4. 更新伪中心位置 ：更新每个聚类的伪中心位置，使其成为该聚类中所有成员的中心。
5. 递归操作 ：重复上述步骤，直到聚类成员不再发生变化。

2.3 确定最佳 K 值

可以通过绘制类内离散度与聚类数量的函数关系图来确定最佳的 K 值。当 K 等于数据点的数量时，每个聚类内显然没有方差，因为每个聚类只包含一个元素。聚类数量越少，聚类内的方差越大。当方差作为