11种最常见的机器学习算法简介( 五 ) 常见机器学习算法的摘要。

· 在达到多个群集后停止（n_clusters）
· 设置链接的阈值（distance_threshold）。如果两个群集之间的距离高于阈值，则这些群集将不会合并。
分裂聚类在现实生活中并不常用，因此我将简要介绍一下。简单而清晰的解释是分裂聚类与聚集聚类相反。我们从一个包含所有数据点的巨型群集开始。然后，将数据点分为不同的群集。这是自下而上的方法。
层次集群总是生成相同的集群。K-均值聚类可能会导致不同的聚类，具体取决于质心（聚类中心）的启动方式。但是，与k均值相比，它是一种较慢的算法。分层群集需要很长时间才能运行，尤其是对于大型数据集。
10. DBSCAN集群基于分区的分层聚类技术对于标准形状的聚类非常高效。但是，当涉及到任意形状的聚类或检测离群值时，基于密度的技术更为有效。
文章插图
> Arbitrary shaped clusters
文章插图
> Arbitrary shaped clusters
DBSCAN代表带噪声的应用程序的基于密度的空间聚类。它能够找到任意形状的聚类和带有噪声的聚类（即离群值）。
DBSCAN的主要思想是，如果某个点与该簇中的许多点接近，则该点属于该簇。
DBSCAN有两个关键参数：
· eps：指定邻域的距离。如果两个点之间的距离小于或等于eps ，则将其视为邻居。
· minPts：定义集群的最小数据点数。
根据这两个参数，将点分为核心点，边界点或离群值：
· 核心点：如果在其半径为eps的周围区域中至少有minPts个点（包括该点本身），则该点为核心点。
· 边界点：如果一个点可以从核心点到达并且在其周围区域内的点数少于minPts ，则它是边界点。
· 离群值：如果一个点不是核心点并且无法从任何核心点到达，则该点就是离群值。
DBSCAN不需要预先指定群集数。它对异常值具有鲁棒性，并且能够检测到异常值。
在某些情况下，确定适当的邻域（eps）距离并不容易，并且需要领域知识。
11.主成分分析（PCA）PCA是降维算法，它基本上从现有特征中衍生出新特征，同时保留了尽可能多的信息。PCA是一种无监督的学习算法，但它也广泛用作有监督的学习算法的预处理步骤。
PCA通过查找数据集中要素之间的关系来推导新要素。
注意：PCA是线性降维算法。也有非线性方法可用。
PCA的目的是通过使用较少的特征（或列）来尽可能多地解释原始数据集中的方差。新派生的功能称为主成分。主成分的顺序是根据它们解释的原始数据集的方差分数确定的。
文章插图
主要成分是原始数据集特征的线性组合。
PCA的优势在于，使用比原始数据集少得多的特征可以保留大量原始数据集。主成分根据其解释的差异量进行排序。
感谢您的阅读。如果您有任何反馈意见，请告诉我。
【11种最常见的机器学习算法简介】(本文翻译自Soner Y?ld?r?m的文章《11 Most Common Machine Learning Algorithms Explained in a Nutshell》，参考：)