分类评估、聚类尚学堂百战程序员

yy有没有利用X聚聚XKone-hot编码，假设有6Xm*nXm*6相似 闵可夫斯基距 中，当p=2时，即为欧氏距离；当p=1时，即为曼哈顿距离；Block当p→∞时，即为切 Jaccard（Jaccardsimilaritycoefficient）Jaccard[891725给用户的推荐[9,10,17,24,4 [8,9,A集合和B集合相交的越多，它的相似性越强，当然要考虑它们并一起的大小，因为集合越大越可能相似Jaccard相似余弦值的范围在[-1,1]之间，值越趋近于1越趋近于-1，他们的方向越相反；接近于0文档相似度测量相似 两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差P和Q相同，相对熵为相似[3,7,9,2,4,14,[4,7,8,9,5,17,相似余弦距离 相当于，X和Y它们的均值都是0相似对于 聚聚本质上，N个样本，映射到K选择K选择K取中位数的话是3，更好一些，因为100二分K-二分K-两个MSEMSE二分K-二分K-KKK找到那些个miu求偏 所以K均值假设了高斯混合模型，GMM，并且假设了方差sigmaKK-Means++KKK=N，MSE为K=1，MSEelbowmethod，不止于K不同的不同的MiniMiniBatchK-本质上，我们之前用的是BGD，用SGD效效T1和T2GivenV-Measure，F-评判聚类结果Y和实际结果Xn11是共同的，a1是X1簇中的样本数量，b1是Y1RandIndexAdjustedRandindex(调整兰德指数表示数据集中可以组成的对数，RI取值范围为[0,1]任意任意取两个是属于某一个类别的概率计算一个簇内每一个样本到不同簇内所有样本的距离，不同簇的那些样本距离求平均，然后求最小Si接近1说明样本i聚类合理，Si接近-1Si接近0层次聚 把原始数据集去不断 如果我们只关系结果的话，那么在某一个时刻是要停止聚类的，在一些数据集中做层次聚类是合适 解决类似圆形的K-MeansDensityBasedSpatialClusteringofApplicationswith如果给定5为阈值，那么q是6，p是3，那么q 而p是在q这个范围(制定一个半径)内的，那么说q到p q密度可达p1，p1密度可达p，那么q到p密度可从o点能密度可达q，也能密度可达p和q如果P密度可达A，B，CA可达E，F，B不 对象，C可达所有点都要进行是否 那么这些点同属于一个簇，最后没 K不需要给定，只给m个阈值，和半径r=0.1r=0.1给定的m谱和谱聚谱：Y=A*X，矩阵X乘以A等于对矩阵X做了空间线性变换，那么Y=map(X)，A就是map这个线性算谱聚类是一种基于图论的聚类方法，通过对样本数据的拉 谱聚解决区 然后对角线都是0，可以根据高斯相似度看出来，这样有了矩阵除了对角线都有相似度的值，然后把它们按行或列加和得对角阵L=D-W，这样的L矩阵叫做谱聚L*uilambdai*ui，lambda是特征值，ui是特征向量，一组lambda每个对应的lambda都对应一个ui，每个ui是一个个的列向量，比如根据排序默认从小到大