本文共 1375 字,大约阅读时间需要 4 分钟。
聚类讲的比较简单...怎么感觉老师不怎么待见unsupervised learning捏?...
---------------笔记开始---------------------
1)分类与聚类(分类标识)
评测纯度。我们有测试集 { xi}
,这样定义纯度为 pk=mkNk≤1,∀k.
2) 输入
3) 输出: { ck}
,对应K个聚类。这里还分为:
(注意不要和KNN搞混了,都是K开头的...)
1) K-means方法(特征表示)
输入: { xi,1≤i≤N}
,K——聚类的个数。
算法:
初始化,随机选定类中心 { ck}
.
2) K-medoids方法(相似度表示)
输入:s,k
初始化。然后根据 argmincks(xi,ck)
分配 xi ,再按照 argmaxck∑x∈Cks(xi,ck)确定新的中心。
3) 模糊的K-means方法
输入: { xi,1≤i≤N}
,K
初始化。
重复上述两步。
4) 谱聚类(向量表示)
输入: { xi,1≤i≤N}
,K
然后对原始数据做转换,形成新的数据集 { zi,1≤i≤N}
,然后再做K-means聚类。
其中转换的步骤如下:
1) 自底向上的方法(聚合)
初始:每个 xi
都为一类
而后对于最相似的两类,合并到一类。对于类的最相似,可以定义为距离最近的类。而对于距离,则可以定义为三者之一:
2) 自顶向下的方法(分裂)
初始:所有的x作为一类。选用一种非层次的方法进行聚类,递归使用。
例子:二分法。
初始: G={ xi}
, H=∅。而后选择离G最远的一个点g。
修改 G′=G∖g
, H=H⋃g。重复步骤,选择离H近的离G远的逐渐加入H。
直到分不动了,彻底分为两类。
转载地址:http://ncvqj.baihongyu.com/