Alex_McAvoy

想要成为渔夫的猎手

发表于 分类于 ， ，
本文字数： 4k 阅读时长 ≈ 4 分钟

【概述】

具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）是一种基于密度的空间聚类算法，该算法将簇定义为密度相连的点的最大集合，能够将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇

DBSCAN 不要求指定簇的数量，避免了异常值，并且没有质心，聚类簇是通过将相邻的点连接在一起的过程形成的

阅读全文 »

发表于 分类于 ， ，
本文字数： 5.1k 阅读时长 ≈ 5 分钟

【概述】

K-均值（K-Means）是最基础最常用的聚类算法，其是基于样本集合划分的聚类算法，属于原型聚类，同时，由于每个数据点都被精确地分配到一个簇中，因此其也是硬聚类算法的一种

K-Means 的基本思想是：将样本集合划分为 $K$ 个子集，构成 $K$ 个簇，通过迭代来寻找一种划分，使得每个样本到其所属簇的中心距离最小

阅读全文 »

发表于 分类于 ， ，
本文字数： 858 阅读时长 ≈ 1 分钟

【聚类算法的类型】

聚类算法可分为三种类型：

  • 原型聚类（Prototype-based Clustering）：假设聚类结构能够通过一组原型求解
    • 通常算法先对原型进行初始化，然后进行迭代求解
    • 不同的原型表示、不同的迭代求解方式，将会产生不同的原型聚类算法
    • 常见的原型聚类算法有：K-Means、高斯混合模型 GMM 等
  • 密度聚类（Density-based Clustering）：假设聚类结构能通过样本分布的紧密程度确定
    • 从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇来获得最终的聚类结果
    • 常见的密度聚类算法有：DBSCAN 等
  • 层次聚类（Hierarchical Clustering）：试图在不同层次对数据集进行划分，从而形成树形的聚类结构
    • 数据集划分可采用自底向上的聚合策略，也可采用自顶向下的分拆策略
    • 常见的层次聚类算法有：AGNES、DIANA 等
阅读全文 »

发表于 分类于 ， ，
本文字数： 2.9k 阅读时长 ≈ 3 分钟

【概述】

聚类，是将数据集 $D$ 划分为若干互不相交的子集（样本簇），直观上来看，希望同一簇的样本尽可能的相似，不同簇的样本尽可能的不同，也就是说，聚类结果的簇内相似度（Intra-cluster Similarity）高，且簇间相似度（Inter-cluster Similarity）低

聚类问题的评价指标可划分为两类：

阅读全文 »

发表于 分类于 ， ，
本文字数： 1.4k 阅读时长 ≈ 1 分钟

【概述】

聚类，是将数据集 $D$ 划分为若干互不相交的子集（样本簇），直观上来看，希望同一簇的样本尽可能的相似，不同簇的样本尽可能的不同，也就是说，聚类结果的簇内相似度（Intra-cluster Similarity）高，且簇间相似度（Inter-cluster Similarity）低

聚类问题的评价指标可划分为两类：

阅读全文 »

发表于 分类于
本文字数： 565 阅读时长 ≈ 1 分钟

在 Next 主题的分类页面中，没有提供多级目录展开的功能，为此，特意写了一个多级分类折叠展开的 js

将 Github 仓库 中的源码下载后，放入 /themes/next/source/js 中

之后打开 /themes/next/layout/_layout.swig 文件，在 <body> 中的最下方添加如下代码：

阅读全文 »

发表于 分类于 ， ，
本文字数： 2.5k 阅读时长 ≈ 2 分钟

【无监督学习】

无监督学习（Unsupervised Learning）是直接从自然数据（无标注数据）中学习预测模型，其没有给定标记过的训练范例，即事先不知道输入数据对应的输出结果是什么，其本质是学习数据中的统计规律、潜在结构

无监督学习所用的数据没有属性或标签这一概念，对于每一个输入实例，给定的输出是对输入的结果分析，可由输入的类别、转换、概率来表示，相应地，可以实现数据的聚类、降维、密度估计

阅读全文 »