knn
k-means
1.分類演算法
聚類演算法
2.監督學習
非監督學習
3.資料型別：餵給它的資料集是帶label的資料，已經是完全正確的資料
餵給它的資料集是無label的資料，是雜亂無章的，經過聚類後才變得有點順序，先無序，後有序
4.訓練過程：沒有明顯的前期訓練過程，屬於memory-based learning
有明顯的前期訓練過程
5.k的含義：來了乙個樣本x，要給它分類，即求出它的y，就從資料集中，在x附近找離它最近的k個資料點，這k個資料點，類別c佔的個數最多，就把x的label設為c
k是人工固定好的數字，假設資料集合可以分為k個簇，由於是依靠人工定好，需要一點先驗知識
Kmeans演算法與KNN演算法的區別
首先明確一點knn與kmeans的演算法的區別 1.knn演算法是分類演算法，分類演算法肯定是需要有學習語料，然後通過學習語料的學習之後的模板來匹配我們的測試語料集，將測試語料集合進行按照預先學習的語料模板來分類 2kmeans演算法是聚類演算法，聚類演算法與分類演算法最大的區別是聚類演算法沒有學習...
Kmeans演算法與KNN演算法的區別
kmeans演算法的缺陷 1.聚類中心的數量k需要事先給定，但在實際中這個k值的選定是非常難以進行估計的，很多時候，事先並不知道給定的資料集應該分成多少個類別才更合適。2.kmeans需要初始化聚類中心，不同的初始聚類中心可能導致完全不同的聚類效果。針對第2個缺陷，可以使用kmeans 演算法來解決...
Kmeans演算法與KNN演算法的區別
最近研究資料探勘的相關知識，總是搞混一些演算法之間的關聯，俗話說好記性不如爛筆頭，還是記下了以備不時之需。首先明確一點knn與kmeans的演算法的區別 1.knn演算法是分類演算法，分類演算法肯定是需要有學習語料，然後通過學習語料的學習之後的模板來匹配我們的測試語料集，將測試語料集合進行按照預先學...