機器學習10-信念貝葉斯分類器

一. 信念貝葉斯概述

二. 聚類

你可以把每一個變量都進行標記，有多少個不同的值，就有多少的維度，在空間內如果距離更近，則他們可以認為是同類，可以通過聚類算法標記出來。

2.1 聚類的應用場景:尋找優質客戶

2.2 聚類應用場景:推薦系統

2.3 聚類應用場景:社區發現

2.4 聚類應用場景:生物進化樹

2.5 聚類應用場景:孤立點的特殊意義

2.6 R的dist函數

2.7 數據中心化與標准化轉換

三.層次聚類法

3.1 類與類之間距離計算的方法

1. 最短距離法
2. 最長距離法
3. 中間距離法
4. 類平均法
5. 重心法
6. 離差平方和法

R中的hclust()函數:

3.2 類的個數的確定

四. 動態聚類: K-means方法

K-means 比較容易搬到Hadoop 的MR上

4.1 R中的kmeans()函數

4.2 K-means算法優缺點

K均值對於球形的簇效果比較好，如果是下圖所示的平面的，效果就不太理想

五. 基於有代錶性的點的技術： K中心聚類法

K中心法的實現:PAM

六. 基於密度的方法: DBSCAN

若幹概念

七. CLARA（大數據處理）

參考:

1. http://www.dataguru.cn/article-4063-1.html