Sun_Weiss的博客

DBSCAN是一种基于密度的聚类算法，通过定义核心点、边界点和噪声点来识别任意形状的簇。算法需要设置邻域半径Eps和最小点数MinPts两个参数，核心思想是将密度相连的点划分为簇。其优势在于能处理噪声和发现任意形状簇，但参数选择困难且不适用于高维数据。确定Eps常采用K-距离曲线法，MinPts建议设为数据维度2倍以上。算法步骤包括寻找核心点、合并临时簇并最终形成聚类簇。DBSCAN不适合处理多密度数据集，且在大规模数据上计算效率较低。

sklearn的datasets模块下，有一些自带的经典数据集，可以用load_xxx()形式的函数加载，本文介绍了这些经典数据集的内容、特征，以及加载它们的代码。

机器学习的模式：用训练集的数据，匹配一种算法，生成一个函数（h），这个函数可以输入x，产出y所以机器学习的关键在于：1、选择正确的算法，选择算法之后，函数h的形态就确定了，但是参数未知2、确定函数h的参数值：监督学习：通过训练集的x和y，共同确定参数值无监督学习：通过训练集的x，确定参数值最简单的算法：一元 线性回归(Linear Regression）相同的算法，不同的参数值：成本函数（Cost Function...

吴恩达课程中，代码是用Octave写的，分为两个部分：1、定义代价函数；% 定义代价函数 Jfunction J = costFunctionJ(X, y, theta)m = size(X, 1); % 样本量predictions = X * theta; % 预测值sqrErrors = (predictions - y) .^2; % 预测值与真实值的方差J = 1/(2*m) * sum(sqrErrors); % 代价函数J2、给X，y，theta 赋值并调用函..