数据挖掘技术与应用(无监督学习).pptxVIP

第五章无监督学习

目录概述聚类中的数据结构基于划分的聚类方法层次聚类方目录密度聚类方法05

机器学习算法无监督学习无监督学习算法-在非监督学习中，我们将让计算机自己学习对于监督学习，我们回想一下每个样本都已经被标明，既我们已经被告知了明确的答案与监督学习不一样的数据类型没有属性或标签这一概念

机器学习算法无监督学习的数据

机器学习算法无监督学习实现功能无监督学习的典型算法是聚类算法和降维通过案例来了解一下聚类算法

机器学习算法无监督学习的聚类

机器学习算法聚类的案例

引言聚类（clustering）的概念聚类分析，将数据对象分组成为多个簇同一簇中的对象彼此相似不同簇中的对象彼此相异

引言聚类算法的功能作为一个独立的工具来获得数据分布的情况作为其他算法（如：特征和分类）的预处理步骤

引言聚类算法的应用场景市场营销：帮市场分析人员从客户基本库中发现不同的客户群，从而可以对不同的客户群采用不同的营销策略保险业：发现汽车保险中索赔率较高的客户群城市规划：根据房子的类型、价值和地理位置对其进行分组地震研究：将观测到的震中点沿板块断裂带进行聚类，得出地震高危区

引言聚类算法的评判标准可扩展性：大多数来自于机器学习和统计学领域的聚类算法在处理数百万条数据时能表现出高效率处理不同数据类型的能力：数字型、二元类型、图像型等等发现任意形状的能力：基于距离的聚类算法往往发现