目錄
k—均值（k-means）：
附錄：監督學習需要訓練標記的資料，我們可以知道我們**的結果。在無監督演算法中資料點未被標記，我們不一定知道我們**的結果。
尋找每個類的中心，中心就是表徵資料的區域。
分兩步：分配，優化。不停的迭代這兩步，直到不再變化。
侷限性：區域性最小值的問題，k-means非常依賴於初始聚類中心所處的位置。
>>> from sklearn.cluster import kmeans
>>> import numpy as np
>>> x = np.array([[1, 2], [1, 4], [1, 0],
... [10, 2], [10, 4], [10, 0]])
>>> kmeans = kmeans(n_clusters=2, random_state=0).fit(x)
>>> kmeans.labels_
array([1, 1, 1, 0, 0, 0], dtype=int32)
>>> kmeans.predict([[0, 0], [12, 3]])
array([1, 0], dtype=int32)
>>> kmeans.cluster_centers_
array([[10., 2.],
[ 1., 2.]])
2、多種方式選擇聚類 k：
3、matplotlib的顏色：
4、稀疏 csr 矩陣型別（如 scipi 庫中所定義）：要從 pandas dataframe 轉換為稀疏矩陣，我們需要先轉換為 sparsedataframe，然後使用 pandas 的to_coo()方法進行轉換。
5、這是乙個簡單的推薦引擎，展示了「協同過濾」的最基本概念：
無監督學習 聚類
聚類是針對給定的樣本，根據據他們特徵的相似度或者距離，將其歸併到若干個 類 或 簇 的資料分析問題。乙個類是樣本的乙個子集。直觀上，相似的樣本在相同的類，不相似的樣本分散在不同的類。目的是通過得到的 類 或 簇 來發現資料的特點或者對資料進行處理，在資料探勘 模式識別等領域有著廣泛的應用。屬於無監督...
監督學習和非監督學習
重新看一遍ng的機器學習課程，第一次寫讀書筆記，希望能夠堅持下來！對於監督學習，首先來看乙個例子，如下圖.圖中的資料來自r語言中的boston資料集，其中lstat軸表示地位較低的人口比重，medv軸表示median value of owner occupied homes in 1000s。如果...
監督學習和非監督學習
監督學習 監督學習就是分類，把人們已經處理好的訓練樣本 即已知資料和對應輸出 給計算機，計算機通過規律訓練出乙個最佳模型，再用這個模型對輸入的資料進行分類，得出對應的輸出。從而使計算機具有對未知資料進行分類的功能。特點 目標明確 需要帶標籤的訓練樣本 分類效果很容易評估 非監督學習 非監督學習沒有訓...