DBSCAN算法是一種很典型的密度聚類法，它與K-means等只能對凸樣本集進行聚類的算法不同，它也可以處理非凸集。 關於DBSCAN算法的原理，筆者覺得下面這篇寫的甚是清楚練達，推薦大家閱讀： https://www.cnblogs.com/pinard/p/6208966.html ...

前幾篇我們較為詳細地介紹了K-means聚類法的實現方法和具體實戰，這種方法雖然快速高效，是大規模數據聚類分析中首選的方法，但是它也有一些短板，比如在數據集中有臟數據時，由於其對每一個類的准則函數為平方誤差，當樣本數據中出現了不合理的極端值，會導致最終聚類結果產生一定的誤差，而本篇將要介紹 ...

一、簡介 　　KNN（k-nearst neighbors，KNN）作為機器學習算法中的一種非常基本的算法，也正是因為其原理簡單，被廣泛應用於電影/音樂推薦等方面，即有些時候我們很難去建立確切的模型來描述幾種類別的具體表征特點，就可以利用天然的臨近關系來進行分類； 二、原理 　　KNN ...

一、簡介 　　作為集成學習中非常著名的方法，隨機森林被譽為“代表集成學習技術水平的方法”，由於其簡單、容易實現、計算開銷小，使得它在現實任務中得到廣泛使用，因為其來源於決策樹和bagging，決策樹我在前面的一篇博客中已經詳細介紹，下面就來簡單介紹一下集成學習與Bagging； 二、集成 ...

我們之前經常提起的K-means算法雖然比較經典，但其有不少的局限，為了改變K-means對異常值的敏感情況，我們介紹了K-medoids算法，而為了解決K-means只能處理數值型數據的情況，本篇便對K-means的變種算法——K-modes進行簡介及Python、R的實現： K-modes ...

　　作為機器學習中可解釋性非常好的一種算法，決策樹(Decision Tree)是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大於等於零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹 ...

一、簡介 　　機器學習分為很多個領域，其中的連接主義指的就是以神經元（neuron）為基本結構的各式各樣的神經網絡，規范的定義是：由具有適應性的簡單單元組成的廣泛並行互連的網絡，它的組織能夠模擬生物神經系統對真實世界的刺激作出的交互反應。而我們在機器學習中廣泛提及的神經網絡學習就是機器學習 ...

一、簡介 　　邏輯回歸（Logistic Regression），與它的名字恰恰相反，它是一個分類器而非回歸方法，在一些文獻里它也被稱為logit回歸、最大熵分類器（MaxEnt）、對數線性分類器等；我們都知道可以用回歸模型來進行回歸任務，但如果要利用回歸模型來進行分類該怎么辦呢？本文介紹的邏輯 ...