99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁大數(shù)據(jù)時代無監(jiān)督機器學習中,這幾種聚類算法,你知道嗎?
無監(jiān)督機器學習中,這幾種聚類算法,你知道嗎?
2020-07-24
收藏

機器學習中,我們最常遇到的就是無監(jiān)督,有監(jiān)督,半監(jiān)督了。無監(jiān)督有監(jiān)督的區(qū)別,小編之前跟大家分享過,今天跟大家分享的是無監(jiān)督機器學習中常見的聚類算法,希望對大家無監(jiān)督學習有所幫助。

一、基本概念

1.無監(jiān)督學習:

無監(jiān)督學習是機器學習的一種方法,根據(jù)類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題。無監(jiān)督學習應(yīng)用主要包含:聚類分析、關(guān)系規(guī)則、維度縮減。

2.聚類:

無監(jiān)督學習里典型例子是聚類。聚類是把相似的對象通過靜態(tài)分類的方法分成不同的組別或者更多的子集,這樣讓在同一個子集中的成員對象都有相似的一些屬性,常見的包括在坐標系中更加短的空間距離等。

最常見的無監(jiān)督聚類算法:

K均值聚類

分層聚類

基于密度的掃描聚類(DBSCAN)

二、無監(jiān)督聚類算法--K均值聚類

K均值聚類 是我們最常用的基于歐式距離的聚類算法,它是數(shù)值的、非監(jiān)督的、非確定的、迭代的,該算法旨在最小化一個目標函數(shù)——誤差平方函數(shù)(所有的觀測點與其中心點的距離之和),其認為兩個目標的距離越近,相似度越大,由于具有出色的速度和良好的可擴展性,K均值聚類算得上是最著名的聚類方法。

1.K均值中最常用的距離是歐氏距離平方。m維空間中兩點x和y之間的距離的示例是:

這里,j是采樣點x和y的第j維(或特征列)。

集群慣性是聚類上下文中給出的平方誤差之和的名稱,表示如下:

其中μ(j)是簇j的質(zhì)心,并且如果樣本x(i)在簇j中則w(i,j)是1.否則是0.

K均值可以理解為試圖最小化群集慣性因子的算法。

2.具體算法

(1)選擇k值,即我們想要查找的聚類數(shù)量。

(2)算法將隨機選擇每個聚類的質(zhì)心。

(3)將每個數(shù)據(jù)點分配給最近的質(zhì)心(使用歐氏距離)。

(4)計算群集慣性。

(5)將計算新的質(zhì)心作為屬于上一步的質(zhì)心的點的平均值。換句話說,通過計算數(shù)據(jù)點到每個簇中心的最小二次誤差,將中心移向該點。

(6)返回第3步。

二、無監(jiān)督聚類算法--分層聚類

1.分層聚類是基于prototyope的聚類算法的替代方案。分層聚類的主要優(yōu)點是不需要指定聚類的數(shù)量,它會自己找到它。此外,它還可以繪制樹狀圖。樹狀圖是二元分層聚類的可視化。

在底部融合的觀察是相似的,而在頂部的觀察是完全不同的。對于樹狀圖,基于垂直軸的位置而不是水平軸的位置進行結(jié)算。

2.分層聚類的類型

分層聚類有兩種方法:集聚和分裂。

分裂:這種方法首先將所有數(shù)據(jù)點放入一個集群中。 然后,它將迭代地將簇分割成較小的簇,直到它們中的每一個僅包含一個樣本。

集聚:這種方法從每個樣本作為不同的集群開始,然后將它們彼此靠近,直到只有一個集群。

3.分層聚類優(yōu)缺點

分層聚類的優(yōu)點;

(1)由此產(chǎn)生的層次結(jié)構(gòu)表示可以提供非常豐富的信息。

(2)樹狀圖提供了一種有趣且信息豐富的可視化方式。

(3)當數(shù)據(jù)集包含真正的層次關(guān)系時,它們特別強大。

分層聚類的缺點:

(1)分層聚類對異常值非常敏感,并且在其存在的情況下,模型性能顯著降低。

(2)從計算上講,分層聚類非常昂貴。

三、無監(jiān)督聚類算法--DBSCAN 聚類

DBSCAN(帶噪聲的基于密度的空間聚類方法)是一種流行的聚類算法,它被用來在預(yù)測分析中替代 K 均值算法。它并不要求輸入簇的個數(shù)才能運行。但是,你需要對其他兩個參數(shù)進行調(diào)優(yōu)。

優(yōu)缺點:

1.優(yōu)點

①不需要指定簇的個數(shù);

②可以對任意形狀的稠密數(shù)據(jù)集進行聚類,相對的,K-Means之類的聚類算法一般只適用于凸數(shù)據(jù)集;

③擅長找到離群點(檢測任務(wù));

④兩個參數(shù)ε\varepsilonε和minPts就夠了;

⑤聚類結(jié)果沒有偏倚,相對的,K-Means之類的聚類算法初始值對聚類結(jié)果有很大影響。

2.缺點

①高維數(shù)據(jù)有些困難;

②Sklearn中效率很慢(數(shù)據(jù)削減策略);

③如果樣本集的密度不均勻、聚類間距差相差很大時,聚類質(zhì)量較差,這時用DBSCAN聚類一般不適合;

④調(diào)參相對于傳統(tǒng)的K-Means之類的聚類算法稍復雜,主要需要對距離閾值ε\varepsilonε,鄰域樣本數(shù)閾值MinPts聯(lián)合調(diào)參,不同的參數(shù)組合對最后的聚類效果有較大影響。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼,搜微信號:CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個參數(shù)驗證碼對象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務(wù)器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }