第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）学习笔记-第9章＜聚类算法＞
机器学习（周志华）学习笔记-第9章＜聚类算法＞ 聚类，顾名思义，就是把相似的数据点归为一类。这在很多领域都非常有用，比如客户分群、图像分割、异常检测等等。周志华的《机器学习》中，他对聚类算法的讨论深入浅出，也为我们理解不同算法提供了一个很好的框架。 核心思想是，我们通常不知道数据的类别标签，只能依靠数据自身的特征来判断它们是否属于同一类。这导致聚类问题变成了一种无监督学习问题，需要算法自己探索数据中的模式。 常用算法 K-Means： 这绝对是K-Means最经典的应用。它通过计算每个数据点到每个簇中心的距离，然后将数据点分配给距离最近的簇中心。关键在于，我们需要预先指定簇的个数K，这通常需要通过尝试和调整来找到最佳值。 层次聚类： 层次聚类又分为凝聚型和自连接型。凝聚型从单个数据点开始，逐步将距离最近的两个簇合并，直到所有数据点都属于同一个簇。自连接型则从每个数据点作为一个独立的簇开始，然后逐步将相似的簇合并。 一些关键点 距离度量： 不同的距离度量对聚类结果有很大影响。例如，欧氏距离是最常用的，但对于高维数据，它可能不再有效。 初始化： 聚类算法的初始化会影响最终结果，尤其是在K-Means中。 评估指标： 如何评估聚类结果？例如，可以使用轮廓系数、Davies-Bouldin指数等。 总之，理解聚类算法的原理和适用场景，并结合实际数据进行实践，才能真正掌握机器学习的精髓。 掌握好这些基础，对后续的学习和应用都会有很大的帮助。
展开
机器学习（周志华）
2025-07-21
12次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！