机器学习（十一）：K-Means算法

最新推荐文章于 2024-11-10 10:06:12 发布

原创

最新推荐文章于 2024-11-10 10:06:12 发布 · 2.1k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

本文深入探讨了K-Means算法，包括其原理、初始化μk的方法以及与Full RBF网络的联系。同时，介绍了异常检测的概念，强调了在非高斯分布和非独立特征情况下的挑战，以及如何通过特征处理和模型调整应对这些问题。

1. K-Means

1.1 核函数的另一种观点

之前我们提到过高斯核函数：

K (x 1, x 2) = ϕ (x 1) ϕ (x 2) = e x p (η | | x 1 - x 2 | | 2)

$K(x_1,x_2)=\phi(x_1)\phi(x_2)=exp(\eta||x_1-x_2||^2)$ 当时我们是把

ϕ(x) $\phi(x)$ 当做对x进行无限维的特征转换。
其实根据高斯函数的形状，我们可以将其视为：对

x1,x2 $x_1,x_2$ 相似性的度量/距离的度量。
那么这样再来看SVM的话：

g S V M = s i g n (\sum S V α n y n e x p (- η | | x - x n | | 2) + b)

$g_{SVM}=sign(\sum_{SV}\alpha_ny_nexp(-\eta||x-x_n||^2)+b)$ 那么我们重新解决SVM,如果

x,xn $x,x_n$ 相似度很高，那么

αnexp(−η

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。