知识卡片

普通读书笔记卡 · 6256

聚类探索

理解等级:未标注

聚类从对象提取特征,再按选定的相似性或距离,把相近对象分到一组,用来探索没有预先类别标签的数据结构。本章用职位、公司和地点档案作输入,但换一种特征或相似性定义就可能得到不同分组;结果是待解释的候选结构,不是证明现实类别天然存在,也不自动说明分组有职业上的意义。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 2 处

    • · 查看原书依据

      提取一些特征,定义一个相似度来比较每个档案中的特征,并用聚类技术将足够相似的同行分在同一组。这种方法用来聚类LinkedIn数据是可行的,并且你也能对遇到的几乎任何其他数据应用这些技术。 注意:在http://bit.ly/MiningTheSocialWeb2E上可以找到本章(及所有其他章节)最新修订bug的源代码。同时也要利用好本书的虚拟机,如附录A中描

    • · 查看原书依据

      无监督的机器学习技术,它在任何数据挖掘的工具包中都是重要的组成部分。聚类涉及获取一批条目,并根据一些启发式将它们分为更小集合或类,设计这些启发式通常需要比较集合中的条目。 图3-2:LinkedIn的一个几乎不为人知的特性就是你可以在http://www.LinkedIn.com/people/export-settings上方便且便捷地导出你所有的联系人为

    参考来源

    《社交网站的数据挖掘与分析(原书第2版)》第03章《挖掘LinkedIn:分组职位、聚类同行等》 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第3章《第3章 挖掘LinkedIn:分组职位、聚类同行等》(spine76;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0065.html;u042-ch03-001)。 - 结论依据:原文在“提取一些特征”附近的定义、例子或代码支撑本卡核心说明:聚类从对象提取特征,再按选定的相似性或距离,把相近对象分到一组,用来探索没有预先类别标签的数据结构。边界按已读前提解释;示例未执行。 - 原始内容:提取一些特征,定义一个相似度来比较每个档案中的特征,并用聚类技术将足够相似的同行分在同一组。这种方法用来聚类LinkedIn数据是可行的,并且你也能对遇到的几乎任何其他数据应用这些技术。 注意:在http://bit.ly/MiningTheSocialWeb2E上可以找到本章(及所有其他章节)最新修订bug的源代码。同时也要利用好本书的虚拟机,如附录A中描 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第3章《3.3 数据聚类速成》(spine79;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0068.html;u047-ch03-001)。 - 结论依据:本节明确聚类为无监督分组,并提出标准化与相似度两项决策。 - 原始内容:无监督的机器学习技术,它在任何数据挖掘的工具包中都是重要的组成部分。聚类涉及获取一批条目,并根据一些启发式将它们分为更小集合或类,设计这些启发式通常需要比较集合中的条目。 图3-2:LinkedIn的一个几乎不为人知的特性就是你可以在http://www.LinkedIn.com/people/export-settings上方便且便捷地导出你所有的联系人为