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/