機器學(xué)習(xí)聚類

機器學(xué)習(xí)——聚類匯報人：楊光1.聚類義務(wù)有一天老板給他一堆數(shù)據(jù)，然后他說，他給我分類〔聚類〕出來

21.聚類義務(wù) 聚類算法是一種無監(jiān)視學(xué)習(xí)，我們區(qū)分監(jiān)視學(xué)習(xí)和無監(jiān)視學(xué)習(xí)的方法是看IN數(shù)據(jù)有無標(biāo)簽〔Label〕。

31.聚類義務(wù)4 在實踐任務(wù)中，我們需求處置很多數(shù)據(jù)，標(biāo)簽獲取需求極大的人工任務(wù)量。1.聚類義務(wù)引言 聚類算法會將數(shù)據(jù)集中的樣本劃分成為假設(shè)干個通常不相交的子集，每一個子集我們稱之為“簇〞。在聚類過程自動構(gòu)成簇構(gòu)造后，我們會發(fā)現(xiàn)每個簇里會存在一些潛在的概念，比如“黃種人〞、“白種人〞，“女性〞、“男性〞，這些是我們事先未知的，這些概念也是由運用者來把握和命名的。 51.聚類義務(wù)引言62.性能度量引言目的：盡量使聚類結(jié)果的“簇內(nèi)類似度高〞且“簇間類似度低〞兩類目的：7外部目的：與某個“參考模型〞比較內(nèi)部目的：直接調(diào)查聚類結(jié)果〔不利用參考模型〕2.性能度量引言外部目的：82.性能度量引言92.性能度量引言10內(nèi)部目的：2.性能度量引言113.間隔計算引言 間隔度量dist(.,.)需求滿足一些性質(zhì)：12非負(fù)性：dist(xi,xj)≥0同一性：dist(xi,xj)=0當(dāng)且僅當(dāng)xi=xj對稱性：dist(xi,xj)=dist(xj,xi)直遞性：dist(xi,xj)≤dist(xi,xk)+dist(xk,xj)3.間隔計算引言閔可夫斯基間隔：當(dāng)給定樣本我們最常用的是“閔可夫斯基間隔〞p≥1時，“閔可夫斯基間隔〞公式滿足上述4個性質(zhì)。p=1時，“閔可夫斯基間隔〞即“曼哈頓間隔〞。p=2時，“閔可夫斯基間隔〞即“歐氏間隔〞。133.間隔計算引言

有序?qū)傩裕簕1,2,3} 閔可夫斯基間隔 無序?qū)傩裕簕飛機，火車，輪船} VDM

143.間隔計算引言153.間隔計算引言164.原型聚類k-means引言174.原型聚類k-means引言184.原型聚類k-means引言194.原型聚類k-means引言204.原型聚類LVQ引言214.原型聚類LVQ引言224.原型聚類LVQ引言234.原型聚類LVQ引言244.原型聚類LVQ引言255.密度聚類引言265.密度聚類引言275.密度聚類引言285.密度聚類引言295.密度聚類引言305.密度聚類引言316.層次聚類引言32給定聚類簇Ci，Cj，可以經(jīng)過下面的式子來計算間隔：6.層次聚類引言336.層次聚類引言34以西瓜數(shù)據(jù)集4.0為例，令A(yù)GNES算法不斷執(zhí)行到一切樣本出如今同一個簇中，即k=1，可以得到下面這個樹狀圖9.126.層次聚類引言35THANKYOU2021.4.3參考資料：周志華<機器學(xué)習(xí)>CSDN: /u014664226/article/details/51944092 /cxmscb/article/details/62420615Wikipe