建网站 南京美术馆网站建设要求

建网站 南京,美术馆网站建设要求,青色网站欣赏,设计网站有哪些图解说明#xff1a; ❌ 大叉叉#xff1a;代表“桌长”#xff08;聚类中心#xff09;。#x1f534;#x1f535;#x1f7e2; 颜色点#xff1a;代表不同的“桌子”#xff08;簇#xff09;。➡️ 箭头#xff1a;代表桌长为了寻找真正的中心#xff0c;正在移…图解说明❌大叉叉代表“桌长”聚类中心。颜色点代表不同的“桌子”簇。➡️箭头代表桌长为了寻找真正的中心正在移动。机器学习里最经典的聚类算法——K-Means。之前我们介绍的算法比如 SVM、KNN都是有监督学习也就是老师给了你标准答案告诉你是猫还是狗。但 K-Means 不一样它是无监督学习。也就是说没有标准答案全靠自己找规律。如果你完全不懂算法没关系。想象一下你是一个婚礼策划师。1. 它是做什么的(举个栗子)你的任务是给100 位宾客安排座位。但是你完全不认识这些人你不知道谁是新郎的亲戚谁是新娘的同事。你只知道他们的年龄和职业这就是数据特征。你的目标是把这 100 个人分成 3 桌K3让每一桌的人尽可能相似这样他们才有共同话题不会尴尬。K-Means 就是帮你干这个的把一堆杂乱无章的数据自动分成 K 个堆。2. K-Means 的“分桌”步骤K-Means 的工作方式非常像一个不断调整的民主选举。第一步随机选“桌长” (初始化)首先你心里没底于是随便指了 3 个人比如张三、李四、王五说“你们三个先当桌长分别坐到 A、B、C 三张桌子上。”这时候桌长的位置是随机的可能很不合理。第二步各自找队伍 (分配)剩下的 97 个人看这 3 位桌长谁离自己最近特征最相似就坐到谁那一桌去。年轻人可能觉得张三也是年轻人就去了 A 桌。程序员可能觉得李四也是程序员就去了 B 桌。第三步重新选“桌长” (更新中心)大家都坐好后你发现 A 桌虽然大部分是年轻人但张三其实是个喜欢安静的文艺青年坐在这一桌吵闹的年轻人中间有点格格不入他不是真正的中心。于是大家在 A 桌里重新选出一个最能代表这一桌平均水平的人真正的中心点让他当新的桌长。B 桌、C 桌也同样选出新的中心人物。第四步重复折腾 (迭代)因为桌长换人了中心点变了大家发现“咦我现在离新的 B 桌桌长更近一点我不该在 A 桌。”于是大家重新站起来寻找离自己最近的新桌长。分好组后再次选出新的中心…第五步尘埃落定 (收敛)就这样重复了几轮直到某一次新的桌长位置不再变化了或者变化非常小。这时候分桌结束3. 那个 “K” 是什么意思K就是你想要分成的组数。如果你想分 3 桌K3。如果你想分 5 桌K5。关键问题我怎么知道 K 选几这确实是个难题。通常我们会试一试K2分得太粗糙。K10分得太细碎。我们会画一条曲线叫手肘法找那个“性价比”最高的点。4. K-Means 的优缺点✅ 优点 (为什么它好用)简单快原理简单算起来也快是聚类算法里的“快刀手”。直观分出来的结果通常很好解释比如分成了“高消费组”、“低消费组”。❌ 缺点 (也要注意)K 值难定你必须预先告诉它分几组如果设错了比如本来有 3 类你非要分 2 类效果会很差。怕“脏”数据如果有一个人特别离谱异常值比如一个 100 岁的老人混进了幼儿园聚会他可能会把整个组的平均年龄拉大导致中心点偏离。只喜欢圆圆的团它假设每一类都是圆圆的一坨。如果数据是弯弯曲曲的形状比如笑脸形它就分不好了。5. 总结K-Means就是一个不断纠结的整理控随机开始先随便定几个中心。物以类聚大家找最近的中心抱团。自我修正根据抱团结果重新计算中心。循环往复直到找到最完美的平衡点。下次你整理衣柜把衣服分成“夏天穿的”、“冬天穿的”、“运动穿的”其实你就在人肉执行 K-Means 算法