网站免费建设价格,wordpress 导出插件,建设一个网站的工作方案,南京学校网站建设策划聚类
聚类属于非监督式学习#xff08;无监督学习#xff09;#xff0c;往往不知道因变量。
通过观察学习#xff0c;将数据分割成多个簇。
回归
回归属于监督式学习#xff08;有监督学习#xff09;#xff0c;知道因变量。
通过有标签样本的学习分类器
聚类和…聚类
聚类属于非监督式学习无监督学习往往不知道因变量。
通过观察学习将数据分割成多个簇。
回归
回归属于监督式学习有监督学习知道因变量。
通过有标签样本的学习分类器
聚类和回归的区别
在数据分类过程中我们可以直接知道回归对应的具体类别名但是在聚类过程中我们只能知道聚类对应的类别与xxx是同一种类别。
比如我们在使用分类处理一些水果时我们可以知道某一个水果具体是什么水果但是聚类我们只能知道这个水果和其他的某些水果是同一种水果但是我们却不能知道具体的水果类型名是什么。 聚类的基本方法有三大类
划分方法K均值、K-Means 通过反复迭代先随机分配均值点 根据均值点形成聚簇形成聚簇之后再调整均值点。调整均值点后再进一步反复进行迭代最后找到我们相应的聚簇。 层次方法层次聚类法
凝聚的agglomeration和分裂的divisive层次聚类图示 层次聚类有两种方法一种是自底向上的方法这种方法称为凝聚法。另一种方法是自下而上的方法该方法又称为划分的方法。 凝聚法的过程:我们通过水来凝结成冰。首先根据数据进行相似性计算把相似的数据形成一个簇形成了各种小簇进一步计算簇和簇之间的相似性如果簇和簇之间的相似性更高将他们合并形成更大的簇。从㡳向上凝聚形成我们想要的一个聚簇的一个结束条件时得到我们想要的一个聚簇层次聚类的结束条件有很多方法比如从㡳向上进行聚类时当聚到第k个聚簇的时候我们就停止迭代另外一种我们当进行迭代时我们数据的相似性足够高越往上走聚簇和聚簇的相似性就会越来越低当相似性的阈值低到一定程度时就可以认为我的一个层次聚类停止如此一来就得到了相应的聚簇即为我们的层次聚类
霍普金斯统计量 假如求出来的霍普金斯统计量数据接近1这说明比较符合聚类的要求若霍普金斯统计量接近0.5则说明数据接近于均匀分布不适合对其进行 均匀分布。
聚类的大致流程
1、通过计算霍普金斯统计量判断数据质量判断当前数据是否需要聚类
2、通过使用一些方法如肘方法。来计算我们需要聚簇的k的数量。
3、在了解了k的数量以后使用相应的k均值或者是层次聚类法进行聚类
4、聚类结束后对聚类的结果进行评估对于聚类的评估方法通常有两种方法一种是外在方法类似于分类需要有一个基准用来评价聚类结果的准确率一种是内在方法通过我们的轮廓系数来评价聚类质量的好坏。轮廓系数越接近1聚类的效果就越好第三种聚类中常见的四种特征。
