原书出处
数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow
12 第12章 基于LSTM-Autoencoder的无监督聚类模型 12.2 聚类模型的应用案例
K均值聚类的运算效率很高,适用于各种问题,运算结果也便于理解。但是K均值聚类也有明显的缺点,它需要提前指定K值作为群集个数,如果K值选得不好,会导致聚类效果不佳。通常我们可以通过手肘法和轮廓图选出最优K值并评估聚类效果。K均值算法中距离指标仅限于原始数据空间,当指定簇类较多时,计算相对低效。此外,K均值对于数据异常点比较敏感,因此往往需要通过对数据进行标准化和去除异常点进行降噪。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0067.xhtml
EPUB SHA-256:b9d74c3cb9a87547f425283a2273004c2d73de2c2b50ebf97c2ab3336ae5d102