机器学习及其应用课件 第4章-无监督学习.pptxVIP

;核心特点：训练数据中包含明确的标签（Label），每个输入样本都对应一个已知的输出结果，算法的训练目标是核心特点：学习输入与标签之间的映射关系。

典型任务：分类（如图像识别中区分猫和狗、垃圾邮件判断中区分正常邮件与垃圾邮件）

典型任务：回归（如根据房屋面积、地段等特征预测房价）;;4.1

聚类分析

ClusteringAnalysis;机器学习的聚类任务就是根据样本数据之间的某种相似关系实现对样本数据集合的某种归类，使得具有同类型中的样本之间具有较大相似性或相似度，实现物以类聚的效果。

聚类分析方法主要有划分聚类、密度聚类、层次聚类、网格聚类和模型聚类等基本类型，本节主要介绍划分聚类和密度聚类这两种最常用的聚类方法，讨论对样本数据进行聚类分析的基本思想和关键技术。;;;;;队伍;Step1:;Step2:;Step3:;Step4:;;FCM的基本思想与K?Means较为类似，要求被划分到同簇的样本之间具有最大的相似性，即簇内加权距离最小，主要通过对目标函数的优化计算获得每个样本点对各个簇的隶属度，由此实现对样本数据进行自动聚类的效果。所有簇内加权距离之和公式为：;?;?;?;;;取p=2，令;?;4.1.2密度聚类法;?;密度直达？密度相连？;如果在样本数据集中存在一个核心对象c，使得a和b均可由c密度可达，则称a和b