機器學習 課件 第8章 聚類_第1頁
機器學習 課件 第8章 聚類_第2頁
機器學習 課件 第8章 聚類_第3頁
機器學習 課件 第8章 聚類_第4頁
機器學習 課件 第8章 聚類_第5頁
已閱讀5頁，還剩9頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

第8章聚類《機器學習》胡曉8.1聚類基本理論

8.1聚類基本理論

相似性測度在聚類算法，樣本間相似度通常需要采用兩個樣本之間的“距離測度(DistanceMetric,DM)”進行衡量。

常見距離：歐氏距離、曼哈頓距離、閔可夫斯基距離、值差異值測度8.1聚類基本理論類簇中心類簇中心，又稱為簇質(zhì)心，定義為簇內(nèi)樣本分布中心，如圖8.1中每簇的中心點。然而，不同聚類算法定義各有差別，簡單分為兩種：K均值聚類簇中心

基于密度的類簇中心AlexRodriguez和AlessandroLaio在Science期刊文章中提出：類簇中心周圍都是密度比其低的點，同時這些點距離該簇中心的距離相比于其他聚類中心最近。8.1聚類基本理論聚類算法評價指標

純度(Purity)將每個簇內(nèi)頻數(shù)最高的樣本類別作為正確的類簇，聚類熵

8.1聚類基本理論聚類算法評價指標同質(zhì)性也叫均一性，一個類簇中僅有一個類別的樣本，均一性最高同質(zhì)性(Homogeneity)

相當于精確率，即被聚類的類簇中正確分類的樣本數(shù)占該類簇中的樣本數(shù)的比例,

8.1聚類基本理論聚類算法評價指標完整性(Completeness)同類別的樣本被歸類到同一聚類簇中，則滿足完整性。相當于召回率，即每個聚類中正確分類的樣本數(shù)占該類別樣本的數(shù)量，

8.1聚類基本理論聚類算法評價指標蘭德指數(shù)和調(diào)整蘭德指數(shù)

8.2K均值聚類

8.3層次聚類層次聚類(hierarchicalclustering)是基于簇間的相似度的樹形聚類算法。一般有兩種劃分策略：自底向上的凝聚策略和自頂向下的分拆策略。凝聚策略

分拆策略

初始時將每個樣本點當做一個類簇，然后依據(jù)相似度準則合并相似度最大的類簇，直到達到終止條件。

8.4密度聚類

密度聚類(Density-BasedSpatialClustering)是一種基于密度的聚類算法。8.4

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論