k：聚類的數量
c(i):樣本點x(i)被分到的聚類的索引值
μk:第k個聚類中心的位置
1.聚類演算法：把無標記（non-label）的資料分成一簇一簇的演算法
2.k-means演算法：我的另一篇部落格
3.k-means演算法也可以分類那些資料比較集中的資料集，比如像這樣：
4.這裡需要注意一點，大寫k用來表示聚類/簇的數量，小寫k用來表示1~k區間裡的某乙個數
1.優化目標：
ci:第i個點被分類到的聚類的索引
到xi被
分類到的
聚類中心
點的平方
\sum_^m
∑i=1m
xi到x
i被分類
到的聚類
中心點的
平方我們就是要找到這一套c和μ，使得上述j最小。k-means演算法的第一步就是在找這套c，第二步就是找這套μ
1.首先需要注意，應該使k2.隨機選取聚類中心的方法：從樣本點中選取聚類中心
3.聚類中心落在了區域性最優的兩個例子：
4.我們可以重複選取聚類中心+移動聚類中心這一過程很多次（一般是50~1000），然後從中挑出使代價函式j（它的詳細定義見13-3的第一點，代價函式也稱為畸變值）最小的乙個
5.一般選k=2~10之間時，可以保證我們找到較好的聚類；但是如果k比10大很多很多的話，那多次執行隨機初始化的結果可能和第一次執行得到的結果差不多
1.肘部演算法（elbow method）：
比如下面的這個代價函式和聚類數量的關係曲線，k取3以後畸變值下降的速度就慢了很多，所以k取3就是比較合適的
2.但是其實在實際生活中，得到的可能都是像這樣的圖線：
這樣就沒辦法很清晰地判斷它的拐點
3.所以選擇k值的乙個比較可靠的方法是人為選擇，看自己選擇k-means演算法的目的是什麼，實際需要多少個類
吳恩達ML課程筆記（Chapter 16）
1.幾個說明 n.u the number of users n.m the number of movies r i,j 1 if user j has rated movie i y i,j rating given by user j to movie i 1.題目如下 我們的任務就是，對於使...
ML 學習筆記 吳恩達
吳恩達ml logistic介紹代價函式的時候，有點迷糊。見下圖 因為這它定義了乙個叫cost 的函式，我就突然把這個函式與之前線性回歸 linear regression 的cost 函式搞混了，然後引發了我的疑惑。首先我們在做線性回歸 是要先確定 函式h hypthesis 然後將整個資料集代入...
吳恩達深度學習課程筆記
一直以為機器學習的重點在於設計精巧 神秘的演算法來模擬人類解決問題。學了這門課程才明白如何根據實際問題優化 調整模型更為重要。事實上，機器學習所使用的核心演算法幾十年來都沒變過。什麼是機器學習呢？以二類分類監督學習為例，假設我們已經有了一堆訓練資料，每個訓練樣本可以看作n維空間裡的乙個點，那麼機器學...