11 K Means 原理及案例 非监督学习 1. unsupervised learning （非监督学习） ，只有特征值，没有目标值 2. 聚类： 主要方法 k means （K 需要分成的类别数） K Means步骤 1. 随机设置K个特征空间内的点作为初始的聚类中心 （红，绿，蓝） k=3 ...
分类：
其他好文 时间：
2019-12-04 01:42:52
阅读次数：
237
监督学习 利用标注好信息的样本，经过训练得到一个模型，可以用来预测新的样本 分类 当新来一个数据时，可以自动预测所属类型 应用 对于一幅遥感影像，对其中的部分水体，农田，建筑做好标记通过监督分类的方法得到其余水体、农田、建筑 分类相关的方法 支持向量机：寻找最大化样本间隔的边界 分类决策树 颜色 形 ...
分类：
其他好文 时间：
2019-12-02 13:30:28
阅读次数：
186
主成分分析 线性、非监督、全局的降维算法 PCA最大方差理论 出发点：在信号处理领域，信号具有较大方差，噪声具有较小方差 目标：最大化投影方差，让数据在主投影方向上方差最大 PCA的求解方法： 对样本数据进行中心化处理 求样本协方差矩阵 对协方差矩阵进行特征分解，将特征值从大到小排列 取特征值前d大 ...
分类：
其他好文 时间：
2019-11-24 15:58:56
阅读次数：
102
没有监督标签，只有x特征值，没有y，没有办法去预测，没有办法证明你做的对错，这样的数据集，我们能做的是什么呢？就是非监督机器学习。常见的算法就是聚类或者降维。聚类做的是什么？就是挖掘数据集中的规律的存在，通过把相似的数据归类，帮助我们探索数据集里的样本如何划分，比如可以将用户分群，不同的营销策略。聚 ...
分类：
其他好文 时间：
2019-11-04 14:00:48
阅读次数：
171
主成分分析（Principal Component Analysis） 1. 一个非监督的机器学习算法 2. 主要用于数据的降维 3. 通过降维，可以发现更便于人类理解的特征 4. 其他应用：可视化、去噪 通过映射，我们可以把数据从二维降到一维： 显然，右边的要好一点，因为间距大，更容易看出差距。 ...
分类：
其他好文 时间：
2019-10-06 00:13:33
阅读次数：
101
今天在数据人网上看到一篇文章。区分监督学习和无监督学习，监督学习的数据就是有标签数据，无监督学习的数据就是无标签数据。这是我的理解，欢迎指教。 原文链接http://www.shujuren.org/article/62.html 原文如下 监督式和非监督式机器学习算法 作者 Frankchen 什 ...
分类：
其他好文 时间：
2019-09-23 22:38:36
阅读次数：
406
主成分分析(PCA, Principal Component Analysis) 一个非监督的机器学习算法 主要用于数据的降维处理 通过降维,可以发现更便于人类理解的特征 其他应用:数据可视化,去噪等 主成分分析是尽可能地忠实再现原始重要信息的数据降维方法 原理推导: 如图,有一个二维的数据集,其特 ...
分类：
其他好文 时间：
2019-08-18 13:51:09
阅读次数：
480
主成分分析法 [TOC] 主成分分析法：(Principle Component Analysis, PCA)，是一个非监督机器学习算法，主要用于数据降维，通过降维，可以发现便于人们理解的特征，其他应用：可视化和去噪等。 一、主成分分析的理解 ? 先假设用数据的两个特征画出散点图，如果我们只保留特征 ...
分类：
其他好文 时间：
2019-08-10 14:12:24
阅读次数：
99
(1)涉及到的算法 1.监督学习：线性回归，逻辑回归，神经网络，SVM。 线性回归（下面第三行x0(i)其实是1，可以去掉） 逻辑回归 神经网络（写出前向传播即可，反向框架会自动计算） SVM 2.非监督学习：聚类算法(K-mean),降维(PCA) K-mean PCA 3.异常检测 4.推荐系统 ...
分类：
其他好文 时间：
2019-08-02 20:16:08
阅读次数：
82
Deep Active Learning 最上方为监督学习，对面为非监督学习，之间包括增强学习、半监督学习、在线学习、主动学习。 Supervised Learing 将未标记的数据交给Work进行标记，然后将标记数据交给Learner进行训练。 Semi-Supervised Learning 在 ...
分类：
其他好文 时间：
2019-07-31 16:50:48
阅读次数：
825
