74、机器学习中的聚类、模型与数据处理

机器学习中的聚类、模型与数据处理

1. 聚类考量与似然值

在处理聚类问题时，我们需要考虑聚类的大小。假设每个聚类的概率服从高斯分布，我们要比较的衡量指标——似然值，涉及多个因素。其中，$N_c$ 除以 $N_D$ 的比值是聚类 $C$ 中的数据点相对于总数据点的比例，这个比例就是聚类 $C$ 的先验概率。第二项包含聚类 $C$ 协方差行列式的逆平方根以及包含马氏距离平方的指数因子。

2. 机器学习基础概念

• 机器学习范畴 ：OpenCV 库主要处理统计机器学习问题，而非贝叶斯网络、马尔可夫随机场和图形模型等主题。
• 训练与测试数据区分 ：训练数据用于模型学习，测试数据用于评估模型性能。
• 生成模型与判别模型
  • 生成模型 ：试图在无监督或无标记训练数据的情况下找到现有数据的结构。
  • 判别模型 ：从示例中学习并尝试对所看到的内容进行泛化。

3. OpenCV 中的基础工具

OpenCV 库提供了两个非常基础的工具：
- K - 均值聚类 ：与高斯混合模型的期望最大化（EM）算法类似，EM 算法在 OpenCV 中以 cv::EM() 实现。
- 马氏距离 ：可用于构建简单模型