无监督算法

标签：聚类   距离   制造业   png   天气   常见   family   欺诈   个数   

无监督算法：

KMeans算法：

1、 随机初始化数据集簇的中心，一般从数据集中选择

2、 外循环：

内循环：计算各个数值点到中心的距离，进行聚类

        计算每个聚类的平局值，移动聚类中心

PCA算法：

目标：数据压缩和可视化

1、 对样本数据进行去均值和归一化

2、 组建sigma矩阵，然后进行奇异值分解，求的压缩和的结果Z

异常检测算法：

1、 选择可能适应于异常样本的特征

2、 根据样本得到高斯分布的均值和方差

3、 对给定的样本计算其是否为异常样本

异常检测与监督学习：

异常检测：正样本数量较少（0-20）；大量的负样本

          不同类型的正样本，很难从正样本中学的算法将其识别出来

          未来会出现之前从未出现过的正样本，与当前的正样本无相似性

监督学习：有大量的正样本和负样本；

          足够的样本支撑可以从中学到正样本的特征的检测算法

          未来很难出现正样本中未出现过的样本

常见的异常检测和监督学习：

异常检测：欺诈行为/制造业/数据中心的监测

监督学习：垃圾邮件/天气/癌症

无监督算法

标签：聚类   距离   制造业   png   天气   常见   family   欺诈   个数   

原文地址：https://www.cnblogs.com/abella/p/10348320.html