《非监督聚类精.pptVIP

模式识别与神经网络Pattern Recognition and Neural Network 第七章 非监督学习方法 内容目录 7.1 引言 有监督学习（supervised learning)：用已知类别的样本训练分类器，以求对训练集的数据达到某种最优，并能推广到对新数据的分类?? 非监督学习（unsupervised learning) ：样本数据类别未知，需要根据样本间的相似性对样本集进行分类(聚类，clustering)?? 非监督学习方法大致分为两大类：?? 基于概率密度函数估计的方法?? 基于样本间相似性度量的方法 方案对比 7.2 单峰子集的分离方法 思想：把特征空间分为若干个区域，在每个区域上混合概率密度函数是单峰的，每个单峰区域对应一个类 一维空间中的单峰分离: 对样本集KN={xi}应用直方图方法估计概率密度函数，找到概率密度函数的峰以及峰之间的谷底，以谷底为阈值对数据进行分割 一维空间中的单峰子集分离 多维空间投影方法 多维空间y中直接划分成单峰区域比较困难，把它投影到一维空间x中简化问题。 确定合适的投影方向u： 使投影{x=uTy}的方差最大，方差越大，类之间分离的程度也可能越大?? 样本协方差矩阵的最大特征值对应的特征向量满足这样的要求 存在问题：这样投影有时并不能产生多峰的边缘密度函数 投影方法举例 投影方法算法步骤 计算样本y协方差矩阵的最大