当前位置: 首页 > news >正文

南京网站建设要多少钱自己公司怎么做网站

南京网站建设要多少钱,自己公司怎么做网站,岳池做网站电话,山西建设执业注册管理中心网站所有代码和文档均在golitter/Decoding-ML-Top10: 使用 Python 优雅地实现机器学习十大经典算法。 (github.com),欢迎查看。 在“无监督学习”中,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律&…

所有代码和文档均在golitter/Decoding-ML-Top10: 使用 Python 优雅地实现机器学习十大经典算法。 (github.com),欢迎查看。

在“无监督学习”中,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础,较为经典的是聚类。

**聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“簇”。**聚类既能作为一个单独过程,用于找寻数据内在的分布结构,也可以作为分类等其他学习任务的前驱过程。

距离计算:

  • 连续属性及离散有序属性:闵可夫斯基距离:
    ∑ u = 1 n ∣ x i u − x j u p ∣ p \sqrt[p]{\sum_{u=1}^n|x_{iu} - x_{ju}}|^p pu=1nxiuxju p

  • 无序属性:VDM(Value Difference Metric)
    ∑ i = 1 k ∣ m u , a , i m u , a − m u , b , i m u , b ∣ p \sum_{i=1}^{k}{|\frac{m_{u,a,i}}{m_{u,a}}-\frac{m_{u,b,i}}{m_{u,b}}|^p} i=1kmu,amu,a,imu,bmu,b,ip

K均值算法(k-means):对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇。让簇内的点尽量紧密的连在一起,而让簇间的距离尽量的大。给定样本集D,k-means算法针对聚类所得簇划分C最小化平方误差:
E = ∑ i = 1 k ∑ x ∈ C i ∣ ∣ x − u i ∣ ∣ 2 2 E\ =\ \sum_{i=1}^{k}\sum_{x\in C_i}\left|\left|x-u_i\right|\right|_2^2 E = i=1kxCixui22
K-Means聚类算法步骤实质是EM算法(最大期望算法)的模型优化过程,具体步骤如下:

  1. 随机选择k个样本作为初始簇类的均值向量

  2. 将每个样本数据集划分到离它距离最近的簇

  3. 根据每个样本所属的簇,更新簇类的均值向量

  4. 重复(2)(3)步,当达到最大迭代次数或簇类的均值向量不再改变

代码实现:

数据处理:

import pandas as pd
import numpy as np# https://sci2s.ugr.es/keel/dataset.php?cod=182#inicio
df = pd.read_csv('banana.dat', header=None)def get_data():return np.array(df.iloc[:, :2])

核心代码:

from data_processing import get_data
import numpy as np
import matplotlib.pyplot as plt# 初始化聚类中心
def init_centroids(data: np.array, k: int) -> np.array:return data[np.random.choice(data.shape[0], k, replace=False)]# 欧拉距离
def euclidean_distance(x: np.array, y: np.array) -> float:return np.sqrt(np.sum(np.square(x - y)))# 计算每个样本点到k个聚类中心的距离
def compute_distance(data: np.array, centroids: np.array) -> np.array:distance = np.zeros((data.shape[0], centroids.shape[0]))for i in range(centroids.shape[0]):distance[:, i] = np.apply_along_axis(euclidean_distance, 1, data, centroids[i])return distance# KMeans算法
def kmeans(data: np.array, k: int, max_iter: int = 10):centroids = init_centroids(data, k)for i in range(max_iter):distance = compute_distance(data, centroids)# 每个样本点到k个聚类中心的距离最小值的索引labels = np.argmin(distance, axis=1)for j in range(k):centroids[j] = np.mean(data[labels == j], axis=0)return labels, centroidsif __name__ == '__main__':data = get_data()k = 3centroids = init_centroids(data, k)labels, centroids = kmeans(data, k)# print(labels.shape)plt.title('K-Means Clustering', fontsize=16)plt.xlabel('Feature 1', fontsize=14)plt.ylabel('Feature 2', fontsize=14)plt.scatter(data[:, 0], data[:, 1], c=labels, cmap='viridis')plt.show()

在这里插入图片描述

机器学习之K-Means(k均值)算法_k-means算法-CSDN博客

http://www.dtcms.com/a/496787.html

相关文章:

  • 大棚网站怎么做网站统计插件
  • web3定义以及应用落地场景展望
  • 北京哪里有教怎么做网站的上海网站制作公司介绍
  • 广州网站建设在线飞书企业邮箱怎么申请
  • VMware 各版本下载教程(20251017)
  • 高可用集群:5分钟掌握核心要点
  • 做理财网站网站建设合同付款约定
  • 一般做网站宽高多少公司做网站推广需要多少钱
  • JavaScript 核心概念全解析:数据类型、拷贝、运算符与类型判断
  • C++: 继承
  • 注册域名查询网站做网站应该注意哪些问题
  • redission封装,分布式锁使用
  • 算法沉淀第五天(Registration System 和 Obsession with Robots)
  • 政务门户网站建设规范最受欢迎国内设计网站
  • 网站双倍浮动做网站在哪里
  • 【AI论文】CoDA:通过扩散适配实现代码生成语言模型(Coding LM)
  • 浔川 AI 翻译 v7.0 公测版上线信息
  • ps手机网站页面设计wordpress 商品插件
  • 好一点网站建设公司网站开发时遇不到算法
  • 阿里云如何添加新网站做数学题网站
  • flash网站cms合肥网站建设哪家专业
  • JEP、exp4j和Expression4j解析公式对比
  • 756ka网站建设博客发布 网站模版
  • Python| intake | 无法将读取的nc数据转为xarray格式 | to_dask()
  • 电商导购网站开发四川企业seo
  • VLLM-大模型部署Qwen3-8b
  • @FeignClient 添加请求头header的4种方法
  • 网站建设人员考核设计师联盟网
  • python做个人网站前端后端
  • git一个分支最后一条记录合并到另一条分支上