知识卡片
聚类:无标签的簇
聚类遵循物以类聚的原理,把样本自动聚成若干组(簇),目标是同簇样本尽量相似、不同簇样本尽量不相似。与分类最大的不同是:聚类前并不知道要分成几组、每组是什么,训练数据也不带标签,全靠算法依据相似度自行成簇。产品经理做用户行为分群就是典型场景:事先不清楚用户会有哪些操作,便按运营可接受的规模给定聚类数,完成后为每个簇标注属性、制定差异化运营策略。边界在于相似度的定义依赖所选特征与距离度量,换一组特征可能得到完全不同的分群;聚类结果也需要人来赋予业务含义。它属于无监督学习,适合在缺乏先验标签时探索数据结构。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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 · 1 处
- 机器学习入门 1.2.2 机器学习可解决的问题 · 查看原书依据
聚类的目的是使得属于同一个簇的样本相似,而属于不同簇的样本应该足够不相似 。与分类不同,我们进行聚类前并不知道将要划分成几个组以及是什么样的组,训练数据不需要带有标签,完全依靠算法聚集成簇。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第1章《机器学习入门》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00006.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:1.2.2 段给出聚类的簇定义与同簇相似、异簇相异的目标,并明确聚类前不知道分组且训练数据不带标签,支撑本卡结论。
- 原始内容:聚类的目的是使得属于同一个簇的样本相似,而属于不同簇的样本应该足够不相似 。与分类不同,我们进行聚类前并不知道将要划分成几个组以及是什么样的组,训练数据不需要带有标签,完全依靠算法聚集成簇。