聚類演算法——k-means演算法；
本節問題：
隨機初始化n個聚類中心；
距離是歐幾里得距離；
衣服尺寸的劃分有點像是無監督演算法的市場化；
q：如果有乙個聚類中心，它沒有被分配到任何乙個點，怎麼辦？
a：一般情況移除這個聚類中心，但是聚類中心就會從k變為k-1；如果想保持k個聚類，則在初始化這個點一次；
本節目標：
失真函式
兩步最小化，給聚類中心分配點時以及移動聚類中心時；『
本節問題：
隨機化初始聚類中心，其實就是在樣本中隨機選k個點作為聚類中心；
k-means演算法可能落在區域性最優；
解決區域性最優問題就是多次隨機初始化，找到最好的解（畸變函式最小，即代價最小）；
如果聚類數很少，比如3，4，5個，那麼多次隨機初始化會有明顯的較好的結果，如果聚類數很多，那麼下一次隨機初始化不一定比上次有多大的進步；
本節問題：
常用方法還是觀察視覺化圖，手動選擇；因為資料的無標籤特性，也是無監督演算法的特性，所以自動選擇聚類數量是很困難的；
肘部法則：前期隨著k增加 j明顯下降，後期緩和下降，那麼拐點處一般作為k；但如果這個影象不怎麼明顯，而是緩和下降，那麼這個法則就難以適用；
另乙個方法就是看哪個k能更好的適用後續目的（分類後的目的） 吳恩達機器學習 第十三章個人筆記
訓練樣本沒有標籤，用聚類演算法劃分出多簇 用處 市場分割 社交網路分析 計算機集群組織 了解銀河系的構成 k均值演算法的核心步驟 假設我們要將下列樣本分為兩簇 初始化簇中心，遍歷每個樣本 將每個樣本分配給相應的簇 距離最小優先原則 對新簇的所有樣本求平均值，得到新的簇中心 重複 步驟，知道每個簇不變...
吳恩達機器學習 第十三章 支援向量機SVM
在監督學習中，很多監督學習演算法的效能都很相似，我們考慮的不是選哪個演算法，而是選擇演算法時所使用的資料量，這就體現了應用演算法時的技巧，比如你設計的用於學習演算法的特徵的選擇，正則化引數的選擇。svm和神經網路 邏輯回歸相比，在學習複雜的非線性方程時能夠提供一種更為清晰的方式。svm的總體優化目標...
吳恩達機器學習筆記6 聚類
聚類演算法是無監督學習演算法 k means演算法是乙個常用的聚類演算法 演算法過程 1.簇分配。隨機選擇k個點作為聚類中心，遍歷每個點，離a近的點算a類，離b近的點算b類，以此類推 2.移動聚類中心。計算每一類的中心 平均值的點 3.重新計算每個點所屬的類別。如果聚類中心不變，每個點的類別也不變，...