k-means聚類、EM聚類、模糊聚類比較.ppt_第1頁
k-means聚類、EM聚類、模糊聚類比較.ppt_第2頁
k-means聚類、EM聚類、模糊聚類比較.ppt_第3頁
k-means聚類、EM聚類、模糊聚類比較.ppt_第4頁
k-means聚類、EM聚類、模糊聚類比較.ppt_第5頁
已閱讀5頁，還剩21頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

聚類,IRLAB,大綱,聚類分析簡介 層次聚類 單連接和全連接聚類 組平均聚類 應(yīng)用：改進語言模型 自頂向下聚類 非層次聚類 K-均值 EM算法,什么是聚類分析?,聚類: 數(shù)據(jù)對象的集合 在同一個類中，數(shù)據(jù)對象是相似的 不同類之間的對象是不相似的 聚類分析 一個數(shù)據(jù)集合分組成幾個聚類 聚類是一種無監(jiān)督分類:沒有預(yù)定義的類 典型應(yīng)用 作為一個獨立的工具 透視數(shù)據(jù)分布 可以作為其他算法的預(yù)處理步驟,聚類算法類型,層次聚類與非層次聚類 自底向上與自上向下（凝聚與分裂） K-均值 軟聚類與硬聚類 K-均值 模糊聚類（EM算法）,層次聚類,自底向下的聚類 每一項自成一類 迭代，將最近的兩類合為一類 自頂向下的聚類 將所有項看作一類 找出最不相似的項分裂出去成為兩類,類的相似度度量,我們可以知道兩個項之間的相似度，但是聚類要求知道類與類之間的相似度 三種方法： 單連接方法 全連接方法 組平均方法,非層次聚類,K-均值 硬聚類 計算每個類的中心 EM算法 考慮稀疏數(shù)據(jù) 公式 用EM算法計算P( ci|w1),K-均值,將n個向量分到k個類別中去 選擇k個初始中心 計算兩項距離 計算均值,K-均值算法,EM-算法,算法族 以前的一個例子：前向后項算法是EM算法的一個例子 可以用于任意的概率模型E(likelihood)及max likelihood estimite估計,模糊聚類,經(jīng)典的k均值聚類算法的一部迭代中，每一個樣本點都被認為是完全屬于某一類別。 模糊聚類放松這一條件，假定每個樣本是模糊隸屬于某一類的。 每類是一個高斯分布 樣本集合模擬成一個高斯混合分布,點集x1,xn K個類 Z為二維數(shù)組，zij為1表示xi在j類中，否則為0 每個j類定義為一個高斯分布,EM算法,用先前的概率累加 任意一項xi的概率,EM算法,參數(shù) 給定參數(shù)下x的值,EM算法,找到zij的期望值并用它計算最大似然估計，反復(fù)迭代，直到收斂。,EM算法

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論