并将每个点映射到最近的质

[Habib01]

供电
机器学习聚类
到目前为止，我们已经探索了有监督的机器学习模型来解决分类和回归问题。现在，我们将深入研究一种流行的无监督学习方法，称为聚类。

简单来说，聚类就是创建一组彼此相似但又不同的对象的任务。该技术具有多种商业用途，例如向视频流网站上具有相似观看模式的用户推荐电影、异常检测和客户细分。

在本节中，我们将研究一种称为 K-Means 聚类的算法，这是用于无监督学习任务的最简单且最流行的机器学习模型。

K 均值聚类
K-Means 聚类是一种无监督机器学习技术，用于对数据中的相似对象进行分组。

以下是 K 均值聚类算法工作原理的示例：

K 均值聚类

作者头像

步骤 1 – 上图由未分组的未标记观察结果组成。最初，每个观察结果将被随机分配到一个簇。接下来，将为每个簇计算质心。

它们在下图中用“+”符号表示：

K 均值聚类示例 1

作者头像

步骤 2 – 接下来，测量每个数据点到质心的距离，

K 均值聚类示例 2

作者头像

步骤 3 – 然后重新计算新簇的质心，并相应地重新分配数据点。

步骤 4 – 重复此过程，直到不再重新分配更多数据点：

K 均值聚类示例 3

作者头像

请注意，在前面的示例中创建了三个集群或分组。在K-Means聚类算法中，聚类的数量被称为“k”，我们必须确定它。

在 K 均值中选择“k”有几种不同的方法，点作为“k”。

在我们的Python 中的 K-Means 聚类教程中了解更多信息， K-Means 聚类的内部工作原理。

在 Python 中构建 K-Means 聚类模型

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters = 3, init='k-means++')
供电
n_clusters 参数指示构建算法时必须定义的“k”个簇的数量。

机器学习模型解释 - 后续步骤：
如果您能够阅读整篇文章，那么恭喜您！现在您了解了一些最流 加拿大数据 行的监督和无监督机器学习模型和算法，以及如何应用它们来解决各种预测建模问题。

要成为数据科学家，您需要了解不同类型的机器学习模型如何应用它们来解决问题。例如，如果您想构建一个可解释且计算时间短的模型，那么创建决策树可能是有意义的。但是，如果您的目标是创建一个泛化良好的模型，您可以选择构建随机森林算法。

了解如何评估机器学习模型也很重要。 “好”模型是主观的，很大程度上取决于您的用例。例如，在分类问题中，仅高精度并不能说明模型就是好模型。作为数据科学家，您需要审查精度、完整性和 F1 分数等指标，以更好地了解模型的性能。

如果您想深入研究本文所涵盖的概念之外的机器学习模型，请学习Python 科学机器学习课程。该职业计划将教您机器学习模型如何工作背后的理论以及如何在 Python 中实现它们。在课程中，您还将学习数据准备技术，例如标准化、去相关和特