贝叶斯公式计算题计算题总结
1.
2.
=2/3*2/9=4/27
K均值聚类
1.聚类是一种非监督学习，聚类需要将一系列样本输入到聚类算法中，学习样本的内在结构。聚类往往不单独存在，而是作为一个大的监督学习算法的一部分存在
2.聚类的原则。 类内散度最小，类间散度最大
3.聚类的用途
3.1 减少计算量。通过对样本分类，以分类标签代替原始向量，大大减少计算量
3.2 识别离群点。
3.3 可视化
4.聚类的要素。特征选择，近邻测度，聚类准则，聚类算法，结果验证，结果判定
–[En]
–
版权声明：本文为CSDN博主「zhuimeng999」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zhuimeng999/article/details/80490618K均值目标函数和优缺点
1.K均值是常用的聚类算法，请写出k均值的目标函数和算法的优缺点。
K-Means优点：
1）原理比较简单，实现也是很容易，收敛速度快。
2）聚类效果较优。
3）算法的可解释度比较强。
4）主要需要调参的参数仅仅是簇数k。
、
K-Means缺点：
1）K值的选取不好把握
2）对于不是凸的数据集比较难收敛
3）如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐 含类别的方差不同，则聚类效果不佳。
4） 采用迭代方法，得到的结果只是局部最优。
5） 对噪音和异常点比较的敏感
6）初始聚类中心的选择
简洁版：
k均值简单并且可以用于各种数据类型。它相当有效，尽管常常多次运行。k均值的某些变种（包括二分K均值）甚至更有效，并且不太受初始化问题的影响。然而，k均值并不适合所有的数据类型。它不能出来非球形簇、不同尺寸和不同密度的簇。最后，k均值仅限于具有中心（质心）概念的数据。
–
[En]
–
版权声明：本文为CSDN博主「╰つ゛~无名小姐」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_51035156/article/details/121879228
过拟合
增大数据量和正则化数据（考试时可以只写这个)。
解析：
3、过拟合、欠拟合的解决方法
过拟合的可能解决方法：
a、 减少特征：删除与目标不相关特征，如一些特征选择方法
b、 正则化：正则化会保证每个特征有一定的效用，不会使某一特征特别重要。
c、 得到更多的训练样本
d、 迁移学习-—-可以解决由于训练数据较小引起的过拟合。
欠拟合可能的解决方法：
a、 选择更复杂的模型
b、 增加新特征，如特征构建
tensorflow序列模型
8层，tensorflow序列模型，各层次依次是卷积层，池化层，卷积层，池化层，卷积层，拉直层，全连接层，全连接层 ，使用了rule激活函数，relu函数的定义:f(x)=max(x,0)
Conv2D—-卷积层
MaxPooling2D—-池化层
Flatten—-拉直层
Dense—-全连接层
了解更多 点击下方：
本文链接：tensorflow中常用的激活函数_修炼之路-CSDN博客_tensorflow 激活函数Original: https://blog.csdn.net/weixin_51035156/article/details/121884719
Author: ╰つ゛~无名小姐
Title: 贝叶斯，K均值聚类，过拟合与欠拟合，tensorflow序列模型
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/514058/
转载文章受原作者版权保护。转载请注明原作者出处！