分類評估、聚類尚學(xué)堂百戰(zhàn)程序員

yy有沒有利用X聚聚XKone-hot編碼，假設(shè)有6Xm*nXm*6相似 閔可夫斯基距 中，當(dāng)p=2時，即為歐氏距離；當(dāng)p=1時，即為曼哈頓距離；Block當(dāng)p→∞時，即為切 Jaccard（Jaccardsimilaritycoefficient）Jaccard[891725給用戶的推薦[9,10,17,24,4 [8,9,A集合和B集合相交的越多，它的相似性越強，當(dāng)然要考慮它們并一起的大小，因為集合越大越可能相似Jaccard相似余弦值的范圍在[-1,1]之間，值越趨近于1越趨近于-1，他們的方向越相反；接近于0文檔相似度測量相似 兩個變量之間的皮爾遜相關(guān)系數(shù)定義為兩個變量之間的協(xié)方差和標準差P和Q相同，相對熵為相似[3,7,9,2,4,14,[4,7,8,9,5,17,相似余弦距離 相當(dāng)于，X和Y它們的均值都是0相似對于 聚聚本質(zhì)上，N個樣本，映射到K選擇K選擇K取中位數(shù)的話是3，更好一些，因為100二分K-二分K-兩個MSEMSE二分K-二分K-KKK找到那些個miu求偏 所以K均值假設(shè)了高斯混合模型，GMM，并且假設(shè)了方差sigmaKK-Means++KKK=N，MSE為K=1，MSEelbowmethod，不止于K不同的不同的MiniMiniBatchK-本質(zhì)上，我們之前用的是BGD，用SGD效效T1和T2GivenV-Measure，F(xiàn)-評判聚類結(jié)果Y和實際結(jié)果Xn11是共同的，a1是X1簇中的樣本數(shù)量，b1是Y1RandIndexAdjustedRandindex(調(diào)整蘭德指數(shù)表示數(shù)據(jù)集中可以組成的對數(shù)，RI取值范圍為[0,1]任意任意取兩個是屬于某一個類別的概率計算一個簇內(nèi)每一個樣本到不同簇內(nèi)所有樣本的距離，不同簇的那些樣本距離求平均，然后求最小Si接近1說明樣本i聚類合理，Si接近-1Si接近0層次聚 把原始數(shù)據(jù)集去不斷 如果我們只關(guān)系結(jié)果的話，那么在某一個時刻是要停止聚類的，在一些數(shù)據(jù)集中做層次聚類是合適 解決類似圓形的K-MeansDensityBasedSpatialClusteringofApplicationswith如果給定5為閾值，那么q是6，p是3，那么q 而p是在q這個范圍(制定一個半徑)內(nèi)的，那么說q到p q密度可達p1，p1密度可達p，那么q到p密度可從o點能密度可達q，也能密度可達p和q如果P密度可達A，B，CA可達E，F(xiàn)，B不 對象，C可達所有點都要進行是否 那么這些點同屬于一個簇，最后沒 K不需要給定，只給m個閾值，和半徑r=0.1r=0.1給定的m譜和譜聚譜：Y=A*X，矩陣X乘以A等于對矩陣X做了空間線性變換，那么Y=map(X)，A就是map這個線性算譜聚類是一種基于圖論的聚類方法，通過對樣本數(shù)據(jù)的拉 譜聚解決區(qū) 然后對角線都是0，可以根據(jù)高斯相似度看出來，這樣有了矩陣除了對角線都有相似度的值，然后把它們按行或列加和得對角陣L=D-W，這樣的L矩陣叫做譜聚L*uilambdai*ui，lambda是特征值，ui是特征向量，一組lambda每個對應(yīng)的lambda都對應(yīng)一個ui，每個ui是一個個的列向量，比如根據(jù)排序默認從小到大