模型介绍 聚类步骤 从数据中随机挑选k个样本点作为原始的簇中⼼ 计算剩余样本与簇中⼼的距离，并把各样本标记为离k个簇中⼼最近的类别 重新计算各簇中样本点的均值，并以均值作为新的k个簇中⼼ 不断重复第⼆步和第三步，直到簇中⼼的变化趋于稳定，形成最终的k个簇 K值的选择 ...

采用加一个正规项和交叉验证的方式处理过拟合问题。与此相对的贝叶斯学派用贝叶斯的方法给出一种自然的方法进行 ...

(学习这部分内容大约需要1.1小时) 摘要 在模型选择中, 我们通常从一组候选模型中选择一个"最优"的模型(基于某种模型评价准则, 比如AIC分数). 然后, 使用这个选定的"最优"模型进行预测. 与这种选择单一最优模型不同的是, 贝叶斯模型平均给每个模型赋予权重, 并进行加权平均确定最终 ...

聚类模型（欧式距离） 分类与聚类，分类是有监督的学习，聚类是无监督的学习 K均值算法 第一步：假设有一组样本，随机选择k个样本，作为k个聚类的中心，计算距离，将样本划分到离自己最近的类别里。（比如喜欢看的电影：1,30,1【爱情，30分钟，1 高清】1,31,1） 注意：1，聚类数K ...

学习视频：【强烈推荐】清风：数学建模算法、编程和写作培训的视频课程以及Matlab 老师讲得很详细，很受用！！！ 定义 聚类就是将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异 ...

分层贝叶斯模型 对于一个随机变量序列$Y_{1},...,Y_{n} $，如果在任意排列顺序$\pi $下，其概率密度都满足$p(y_{1},...,y_{n})=p(y_{\pi_{1}},...,y_{\pi_{n}}) $，那么称这些变量是可交换的。当我们缺乏区分这些随机变量的信息时 ...

朴素贝叶斯中的基本假设 训练数据是由$P\left( {X,Y} \right)$独立同分布产生的 条件独立假设（当类别确定时特征之间是相互独立的）：\[P\left( {X = x|Y = {c_k}} \right) = P\left( {{X^{\left( 1 \right ...

我理解的朴素贝叶斯模型 我想说：“任何事件都是条件概率。”为什么呢？因为我认为，任何事件的发生都不是完全偶然的，它都会以其他事件的发生为基础。换句话说，条件概率就是在其他事件发生的基础上，某事件发生的概率。 条件概率是朴素贝叶斯模型的基础。 假设，你的xx公司正在面临着用户流失的压力 ...