上一讲说到，各个特征（各个分量）对分类来说，其重要性当然是不同的。舍去不重要的分量，这就是降维。 聚类变换认为：重要的分量就是能让变换后类内距离小的分量。类内距离小，意味着抱团抱得紧。 但是，抱团抱得紧，真的就一定容易分类么？如图1所示，根据聚类变换的原则，我们要留下方差小的分量，把方差大（波动大）的分量丢掉，所以两个椭圆都要向y轴投影，这样悲剧了，两个重叠在一起，根本分不开了
转载
2024-05-25 08:29:57
29阅读
# Python 多特征聚类实现指南
在数据科学领域，多特征聚类是一种常用的分析方法，它可以帮助我们将数据划分成不同的类别。本文将带您逐步了解如何在Python中实现多特征聚类。以下是整个流程的概述。
## 流程步骤
| 步骤 | 描述 |
| ---- | --------------------- |
| 1 | 数据准备
原创
2024-08-26 07:18:04
76阅读
# 用 Python 实现多特征聚类
聚类是一种无监督学习方法，旨在将相似的数据点聚集在一起。在数据分析和机器学习中，聚类技术被广泛应用于数据挖掘、图像处理、市场细分等领域。本文将指导你如何使用 Python 实现多特征聚类，包括使用库、数据预处理、聚类算法及可视化。
## 整个流程
下面是实现多特征聚类的步骤概述，详细过程和代码示例将在随后的部分中进行介绍。
| 步骤
# Python 特征向量聚类入门指南
在数据科学和机器学习的世界中，聚类是一个重要的分析方法，尤其是在高维数据的情况下。聚类的目的是将数据分组，使得同一组的数据具有相似性，而不同组的数据尽可能地不同。在本教程中，我将带你了解如何在 Python 中执行特征向量聚类。
## 流程概述
我们将逐步完成以下步骤：
| 步骤编号 | 步骤 | 描述
原创
2024-08-16 07:44:17
108阅读
背景：Graph的特征提取方法有很多种，有空域的方法vertex domain，谱方法spectral domain，最经典的就是图卷积GCN（Graph Convolutional Network）GCN (Graph Convolutional Network) 图卷积网络解析 。这里是另一种方法，谱聚类的方法( spectral clustering)。相关论文详解：GCN (Graph C
使用scikit-learn进行KMeans文本聚类K-Means算法：中文名字叫做K-均值算法，算法的目的是将n个向量分别归属到K个中心点里面去。算法首先会随机选择K个中心向量，然后通过迭代计算以及重新选择K个中心向量，使得n个向量各自被分配到距离最近的K中心点，并且所有向量距离各自中心点的和最小。步骤一：在输入数据集里面随机选择k个向量作为初始中心点。 步骤二：将每个向量分配到离各自最近的中
以使用聚类算法将具有较大依赖关系（ 冗余度高） 的特征聚集到一起。 特征聚类 ，其基本思想是根据特征与特征之间相关性及特征与特征簇之间的相关性将特征集划分成多个簇群。
原创
2023-10-08 17:56:22
378阅读
KPI指标（如网页访问量，交易量，失败量，响应时间等）与多维属性（如源系统、交易类型、交易渠道等），是金融、互联网等行业常见而重要的业务监测指标。当一个 KPI 的总体值发生异常时，想要解除异常，定位出其根因所在的位置是关键一步。然而，这一步常常是充满挑战的，尤其当根因是多个维度属性值的组合时。我们先举一个简单的例子说明业务指标多维分析的问题： 上表是某网站的PV来源明细（虚构）从整体来看，该网站
转载
2024-01-16 19:15:29
208阅读
一、 什么是聚类聚类简单的说就是要把一个文档集合根据文档的相似性把文档分成若干类，但是究竟分成多少类，这个要取决于文档集合里文档自身的性质。下面这个图就是一个简单的例子，我们可以把不同的文档聚合为3类。另外聚类是典型的无指导学习，所谓无指导学习是指不需要有人干预，无须人为文档进行标注。二、聚类算法：from sklearn.cluster import KMeans de
转载
2023-08-14 14:39:04
38阅读
# 使用Python进行基于特征值的聚类
在数据科学领域，聚类是一种常见的无监督学习方法，主要用于将数据集分成多个组（称为簇），使得同一组内的数据点彼此相似，而不同组之间的数据点差异显著。本文旨在帮助刚入行的小白掌握如何使用Python进行聚类分析，特别是利用特征值进行聚类。
## 聚类流程概述
在进行聚类之前，我们需要明确整体流程。下面是实现聚类的一般步骤：
| 步骤 |
1.原型聚类：典型的做法是K-means，首先设定k个类别，随机的在总体样本中选择k个样本作为聚类中心，然后遍历所有样本点，把所有样本点分类到k个类中（以最短距离为标准），然后更新k个样本的样本中心，再重新划分所有的样本点。停止条件可以设定为样本的变化幅度不大的情况，或者两次的损失函数变化不大的情况。优点：简单、时间复杂度、空间复杂度低缺点：随机初始化的中心点对结果影响很大；2.层次聚类：就是对所
基于相似性阈值和最小距离原则的简单聚类方法这种方法的中心一旦选定则不会变换。根据相似性阈值和最小距离原则的简单聚类方法显然，结果很大程度依赖于T的选取，和待分类特征矢量参与分类的次序的选取。条件与约定设待分类的模式的特征矢量为{},选定类内距离门限T。算法思想计算特征矢量到各聚类中心的距离，与T作比较，从而决定归为哪一类或作为新的一类的中心。算法步骤任意选取一个特征矢量作为第一个聚类中心，如。计算
聚类(1)——混合高斯模型 Gaussian Mixture Model
算法
function
聚类系列：聚类(序)----监督学习与无监督学习聚类(1)----混合高斯模型 Gaussian Mixture Model 聚类(2)----层次聚类 Hierarchical Clustering聚类(3)----谱聚类 Spectral Clustering------
转载
2023-11-01 23:10:03
136阅读
# 使用Python实现多特征的高斯混合聚类
高斯混合模型（GMM）是一种常用的聚类算法，适用于当数据集可以视为由多个高斯分布组成的情况。GMM相对较于K均值聚类，能够更好地处理形状复杂的数据分布。本文将指导你如何在Python中实现多特征的高斯混合聚类。
## 流程概述
实现高斯混合聚类的一般流程如下表所示：
| 步骤 | 描述
我在最近的工作中遇到了一个问题，问题是我需要根据银行账户在一定时间内的使用信息对该账户在未来的一段时间是否会被销户进行预测。这是一个双元值的分类问题，只有两种可能，即会被销户和不会被销户。针对这个问题一般来说有两种解决策略。提取时间序列的统计学特征值，例如最大值，最小值，均值等。然后利目前常用的算法根据提取的特征进行分类，例如Naive Bayes, SVMs 等。k-NN方法。针对想要预测的时间
划分聚类Kmeans原理(1)任意选择k个对象作为初始的簇中心；(2)根据距离（欧式距离）中心最近原则，将其他对象分配到相应类中；(3) 更新簇的质心，即重新计算每个簇中对象的平均值；(4) 重新分配所有对象，直到质心不再发生变化 调包实现import time
import pandas as pd
from sklearn import preprocessing
da
转载
2023-07-28 13:11:42
219阅读
PCA降维提取特征脸并进行聚类分析1. 题目
给定的人脸图像数据集，计算相应的特征脸(eigenfaces)，并探讨pca降维后特征个数与聚类性能的关系。2. 代码实现"""
eigenface的python实现
"""
import cv2
import os
import numpy as np
import matplotlib.pyplot as plt
import PIL.Image
文章目录1.GBDT特征构造1.1 原理1.2 关键点1.3 实现代码1.4 方案改进1.5 优缺点2.聚类特征构造2.1 聚类算法介绍2.2 聚类算法构造特征流程2.3 程序实现3.总结4.参考文献 本文将介绍如何使用GBDT进行特征构造以及使用聚类进行特征构造。
1.GBDT特征构造
1.1 原理
转载
2022-02-23 18:01:54
375阅读
在无监督学习中，训练样本的标记信息是未知的，网络是通过对无标记样本的学习来揭示数据的内在性质和规律。在无监督学习中，应用最多的就是聚类。 简单的理解聚类：聚类就是把数据划分为不同的组，组内的数据具有相似的属性和特征，组间的数据具有高度不相关的属性和特征。即把相似的东西分为一组。 那么，组内相似越大，组间差别越大，那么聚类的效果就会很好。难点：如何评估（不知到分类结果到底怎么样），如何调参（
转载
2024-08-12 14:02:16
675阅读
文章目录1.GBDT特征构造1.1 原理1.2 关键点1.3 实现代码1.4 方案改进1.5 优缺点2.聚类特征构造2.1 聚类算法介绍2.2 聚类算法构造特征流程2.3 程序实现3.总结4.参考文献本文将介绍如何使用GBDT进行特征构造以及使用聚类进行特征构造。1.GBDT特征构造1.1 原理GBDT是一种常用的非线性模型，基于集成学习中boosting的思想，由于GBDT本身可以发现多...
原创
2021-06-18 14:29:29
1068阅读
