之前我们已经学习了一些算法这篇文章我们来学习聚类问题中最经典的均值算法。 前面的文章中我们已经学习了近邻朴素贝叶斯逻辑回归也学习了线性回归等回归算法其中决策树和随机森林也可以解决回归问题。 今天我们来学习聚类问题中最经典的均值算法与前面学习过的算法不同的是聚类算法属于无监督学习不需要提前给数据的类别打标。
一基本原理 假设有一个新
开办的大学即便还没有开设任何的社团有不同兴趣爱 乌拉圭电话号码列表 好的同学们依然会不自觉的很快聚在一起比如喜欢打篮球的喜欢打乒乓球的喜欢音乐的等等。 这时候就可以顺势开设篮球社团乒乓球社团音乐社团再有同学想加入社团的时候就可以直接根据自身兴趣选择社团了。 把这个场景迁移到机器学习上拥有不同兴趣的学生就是数据样本我们来试着来给他们归类。
向量空间中距离近的样
意味着有更高的相似度我们就把它们归为一类然后用该类 英国电话号码列表 型所有样本的中心位置标识这个类别再有新样本进来的时候新样本离哪个类别的中心点更近就属于哪个类别然后再重新计算确定新的中心点。 不断重复上述操作就能把所有的数据样本分成一个个无交集的簇也就是对所有数据样本完成了归类。
