机器学习10-信念贝叶斯分类器
2022-06-30 本文已影响0人
只是甲
一. 信念贝叶斯概述
image.png
image.png
二. 聚类
image.png
image.png
你可以把每一个变量都进行标记，有多少个不同的值，就有多少的维度，在空间内如果距离更近，则他们可以认为是同类，可以通过聚类算法标记出来。
2.1 聚类的应用场景:寻找优质客户
image.png
2.2 聚类应用场景:推荐系统
image.png
2.3 聚类应用场景:社区发现
image.png
2.4 聚类应用场景:生物进化树
image.png
2.5 聚类应用场景:孤立点的特殊意义
image.png
2.6 R的dist函数
image.png
2.7 数据中心化与标准化转换
image.png
三.层次聚类法
image.png
3.1 类与类之间距离计算的方法
- 最短距离法
- 最长距离法
- 中间距离法
- 类平均法
- 重心法
- 离差平方和法
R中的hclust()函数:
image.png
3.2 类的个数的确定
image.png
四. 动态聚类: K-means方法
K-means 比较容易搬到Hadoop 的MR上
image.png
4.1 R中的kmeans()函数
image.png
4.2 K-means算法优缺点
image.png
K均值对于球形的簇效果比较好，如果是下图所示的平面的，效果就不太理想
image.png
五. 基于有代表性的点的技术： K中心聚类法
image.png
K中心法的实现:PAM
image.png
六. 基于密度的方法: DBSCAN
image.png
image.png
image.png
若干概念
image.png
七. CLARA（大数据处理）
image.png
image.png
