无监督学习一、 无监督学习（unsupervised learning）1. 典型例子：聚类（Clustering）2.无监督学习的重要因素二、 K均值聚类（K-means 聚类）1. K均值聚类算法第一步：初始化聚类质心第二步：把每个待聚类数据放入唯一一个聚类集合中第三步：根据聚类结果，更新聚类质心第四步：算法循环迭代，直到满足条件2. 聚类迭代结束条件3. K均值聚类算法的另一个视角：最小化
机器学习按照方法来分类，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。1 基本概念监督学习（supervised learning）： 利用训练集数据对其进行训练得到相应的正确对应关系，从而测试集数据在得到的对应关系下进行运算得到相应的正确结果。无监督学习（unsupervised learning）： 数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。半监督学习：
转载
2024-05-29 15:29:08
51阅读
无监督学习相对监督学习（输入进x，有对应的y），没有标注聚类k均值基于密度的聚类最大期望聚类降维潜语义分析（LSA）主成分分析（PCA）奇异值分解（SVD） k 均值（k-means）是聚类算法中最为简单、高效的，属于无监督学习算法核心思想：由用户指定k个初始质心（initial centroids)，以作为聚类的类别（cluster），重
KNN是一种常见的监督学习算法，工作机制很好理解：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。总结一句话就是“近朱者赤，近墨者黑”。 KNN可用作分类也可用于回归，在分类任务中可使用“投票法”，即选择这k个样本中出现最多的类别标记
转载
2024-04-19 22:57:19
76阅读
图神经网络的相关知识机器学习的分类按有无标签分类监督学习监督学习指的是每个训练数据的样本都有标签，通过标签可以指导模型进行学习，学到具有判别性的特征，然后对未知样本进行预测。翻译成人话：班里的人分为内卷人和摆烂人，有一个机器会自动观察内卷人的成绩和摆烂人的成绩，等观察的人够多了之后，他就可以根据成绩判断哪个是摆烂人哪个是内卷人，这样机器看到小废物rytter的成绩后就能判断出rytter是个摆烂人
转载
2023-10-19 10:54:25
122阅读
Kmeans算法1.应用场景2.算法区别2.1.无监督学习与聚类算法理论的区别2.2.聚类和分类算法的区别3.Kmeans算法原理3.1算法属性含义3.2 算法结果预测3.3 `Kmeans`有损失函数吗？3.4 优点与缺点4.距离的衡量5.代码实现 1.应用场景文档分类器：根据标签、主题和文档内容将文档分为多个不同的类别。客户分类：利用消费者的购买行为、偏好等数据，K-means能将客户分为不
转载
2024-09-24 23:53:12
42阅读
目录前言：标签名称替换类别预测自训练总结前言：在训练模型的时候，比如分类任务等等，都需要有标签数据进行监督学习，即使是要少量的标签数据，也可采用半监督的方式来提高模型的泛化性，关于一些最新的半监督学习可以参看笔者另一篇博客：但是今天要分享的这篇论文是EMNLP20论文《Text Classification Using Label Names Only: A Language Model Self
Fully Convolutional Networks for Semantic Segmentation将当前分类网络（AlexNet，VGGNet和GoogleNet）修改为全卷积网络，通过对分割任务进行微调，将它们学习的表征转移到网络中。然后，定义了一种新的架构，将深度、粗糙的网络层的语义信息和浅的、精细的网络层的表征信息结合起来，来生成精确和详细的分割。即在上采样的每一个阶段通过融合（简
转载
2024-07-12 04:39:02
55阅读
作者提出动量对比度（MoCo）用于无监督的视觉表示学习。从作为字典查找的对比学习[29]的角度来看，作者构建了一个带有队列和移动平均编码器的动态字典。这样就可以动态地构建大型且一致的词典，从而促进对比性的无监督学习。MoCo在ImageNet分类的通用线性协议下提供了竞争性的结果。更重要的是，MoCo学习到的表示将转移到下游任务。 MoCo可以胜过在PASCAL VOC，COCO和其他数据集上进行
转载
2024-01-04 14:48:59
65阅读
最近在学习的过程中，我常常会遇到监督学习和非监督学习，因此对这两个概念进行了一下总结，另外又补充了一下半监督学习的概念 机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning)。监督学习，就是我们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型，再利用这个最优模型将所有的输
转载
2024-03-28 13:48:47
145阅读
无监督学习的核心思想是构建出一个与待测样本最相近的“模板”与之比较，根据像素或特征的差异性实现缺陷得到检出与定位，根据维度不同，分为两种方法：（1）基于图像相似度的方法 该方法在图像像素层面进行比较，核心思想是重建出与输入样本最相近的正常图像，二者仅在缺陷区域有差别。生成图与输入图之间的差
转载
2024-07-08 18:55:38
181阅读
面试中，大家不仅要懂得目前比较流行的深度学习算法，对于传统的分类和聚类算法也要了解一些。在实际应用中也不是所有的深度学习算法就是万能的，训练时间久、可解释性差都可能会阻碍在工业界的使用，很多情况下还是需要用到传统的分类和聚类算法。十二年前就接触到LR和Bayes，然后是K-mean、KNN、决策树、随机森林、SVM、adaboost、xgboost等各种各样的分类和聚类算法，不过当时只是做项目或者
用Pytorch进行图像分类（对一张猫和一张鱼的图片进行区分）传统挑战1、首先需要数据要想有效地使用深度学习技术，需要较大量的数据来训练神经网络，让神经网络学习并记忆他们的特征。所以我们需要很多鱼和猫的图片 **监督学习和无监督学习的区别有监督学习必须要有训练集和测试样本。在训练集中找规律，而对测试样本使用这种规律。非监督学习没有训练集，只有一组数据，在该数据集中寻找规律有监督学习的方法就是识别事
转载
2023-09-05 11:14:05
184阅读
一、机器学习算法分类:监督学习：提供数据和数据分类标签。——分类、回归非监督学习：只提供数据，不提供标签。半监督学习强化学习：尝试各种手段，自己去适应环境和规则。总结经验利用反馈，不断提高算法质量遗传算法：淘汰弱者，留下强者，进行繁衍和变异穿产生更好的算法。二、选择机器学习算法和数据集sklearn中有很多真实的数据集可以引入，也可以根据自己的需求自动生成多种数据集。对于数据集可以对其进行归一化处
转载
2024-08-29 15:54:29
25阅读
# Python 无监督分类简介
无监督分类是一种常用的机器学习技术，旨在根据未标记的数据发现潜在的结构和模式。在机器学习的众多应用中，无监督分类常用于信息提取、图像处理、市场分割等领域。本文将介绍无监督分类的基本概念、常用算法，并给出相应的代码示例。
## 什么是无监督分类？
无监督分类（Unsupervised Classification）与传统的监督分类方法不同，后者依赖于标记的数据
# 无监督分类在自然语言处理中的应用
无监督分类（Unsupervised Classification）是一种广泛应用于自然语言处理（NLP）的技术。与有监督学习不同，无监督学习不依赖于标签数据，而是试图从未标记的数据中找出潜在的模式和结构。这种方法在数据丰富但标签稀少的情况下特别有用。本文将探讨无监督分类在NLP中的应用，提供相关代码示例，并使用类图进行说明。
## 无监督分类的基本概念
一、无监督学习无监督学习与监督式学习相反，数据并不带有任何标签。算法要找到隐含在数据中的结构。比如将数据分为簇状的，就被称为聚类算法（clustering），这是一个典型的无监督学习算法。聚类算法可以用于：市场划分社会关系网络分析计算机集群聚类天文数据聚类二、K-Means算法在聚类问题中，我们会给定一组未加标签的数据集，同时希望有一个算法能够自动的将这些数据分成有密切关系的子集或者是簇，K-me
转载
2024-07-29 21:25:50
63阅读
无监督方法无监督方法层次聚类方法(hierarchical clustering)单连接聚类全连接聚类组平均聚类离差平方和法（ward）示例DBSCAN(Density based spatial clustering of applications with noise)高斯混合聚类方法最大期望值方法（EM）优缺点聚类分析过程聚类评价外部指标内部指标PCA主成分分析随机投影与ICA随机投影（r
转载
2024-03-22 11:14:36
140阅读
无监督聚类方法的评价指标必须依赖于数据和聚类结果的内在属性，例如聚类的紧凑性和分离性，与外部知识的一致性，以及同一算法不同运行结果的稳定性。本文将分为2个部分，1、常见算法比较 2、聚类技术的各种评估方法本文作为第一部分将介绍和比较各种聚类算法：K-MeansAffinity PropagationAgglomerative ClusteringMean Shift ClusteringBisec
转载
2024-03-20 09:38:37
59阅读
有些朋友对于机器学习可能还不是特别了解，所以我在这里专门用一篇文章来为大家普及一下机器学习的方法和目的。今天我们主要介绍监督学习、无监督学习和强化学习三种方法。一、监督学习(supervised learning)监督学习的目的是使用带有标记(分类或目标值)的训练数据集来构建模型，然后我们就可以用我们的模型对新的数据进行预测。这里监督的含义就是训练集中每个样本均有一个已知的输出项(即前边提到的标记
转载
2024-07-31 16:14:23
149阅读
