一、k-means演算法
原理：k-means演算法的思想很簡單，對於給定的樣本集，按照樣本之間的距離大小，將樣本集劃分為k個簇。讓簇內的點盡量緊密的連在一起，而讓簇間的距離盡量的大。
演算法：輸入是樣本集,聚類的簇樹k,最大迭代次數n
輸出是簇劃分
1) 從資料集d中隨機選擇k個樣本作為初始的k個質心向量：
2）對於n=1,2,…,n
a) 將簇劃分c初始化為
b) 對於i=1,2…m,計算樣本和各個質心向量的距離：，將標記最小的為所對應的類別。此時更新
c) 對於j=1,2,…,k,對中所有的樣本點重新計算新的質心
e) 如果所有的k個質心向量都沒有發生變化，則轉到步驟3）
3） 輸出簇劃分
優點：1、原理比較簡單，實現也是很容易，收斂速度快。
2、聚類效果較優。
3、主要需要調參的引數僅僅是簇數k。
缺點：1、對於不是凸的資料集比較難收斂
2、對噪音和異常點比較的敏感
3、k值的選取不好把握
參考部落格
二、svr演算法
原理：使到超平面最遠的樣本點的「距離」最小。
三、pca演算法
原理：資料從原來的座標系轉換到新的座標系。轉換座標系時，以方差最大的方向作為座標軸方向，因為資料的最大方差給出了資料的最重要的資訊。
演算法：輸入：訓練樣本集 $ d =,x,…,x^} ,低維空間維數,低維空間維數 d』 $ ;
過程：.
1：對所有樣本進行中心化（去均值操作）： x(i)j←x(i)j−1m∑mi=1x(i)jxj(i)←xj(i)−1m∑i=1mxj(i) ;
2：計算樣本的協方差矩陣 xxtxxt ;
3：對協方差矩陣 xxtxxt 做特徵值分解 ;
4：取最大的 d′d′個特徵值所對應的特徵向量 w1,w2,…,wd′w1,w2,…,wd′
5：將原樣本矩陣與投影矩陣相乘： x⋅wx⋅w即為降維後資料集 x′x′ 。其中 xx 為 m×nm×n維， w=[w1,w2,…,wd′]w=[w1,w2,…,wd′]為 n×d′n×d′ 維。
6：輸出：降維後的資料集 x′
優點：使得資料更易使用，並且可以去除資料中的雜訊，使得其他機器學習任務更加精確。
缺點：資料維度降低並不代表特徵的減少，因為降維仍舊保留了較大的資訊量，對結果過擬合問題並沒有幫助。不能將降維演算法當做解決過擬合問題方法。如果原始資料特徵維度並不是很大，也並不需要進行降維。
參考部落格
關於內錶資料彙總的一些演算法
1.把某個字段相同行的數值型資料字段彙總 如 初始資料 fld1 fld2 fld3aa 1ab2 ba3處理後資料 fld1 fld2 fld3aa 3ba3 其中 fld1,fld2 為字元型，fld3 為數值型。要求 現在我們的要求是 把 fld1 相同的行的 fld3彙總到最前面那行 如果要...
Vector的一些用法彙總
在c 中，vector是乙個十分有用的容器，下面對這個容器做一下總結。1 基本操作 1 標頭檔案 include.2 建立vector物件，vectorvec 3 尾部插入數字 vec.push back a 4 使用下標訪問元素，cout 5 使用迭代器訪問元素.vector iterator i...
一些看過的部落格彙總
關於android studio打包發布，以及android簽名的獲取 android簽名詳解 debug和release 怎麼退出 git bash vim編輯器 adb操作命令詳解及大全 android非同步任務asynctask android intentservice完全解析 當servi...