kmeans是有监督还是无监督
kmeans是有监督还是无监督?？
kmeans是无监督🎈_🤨。K-Means是一种无监督学习方法🐟☹️__🧵🎭，用于将无标签的数据集进行聚类🌛__🎍🦤。其中K指集群的数量🦑🦎|💫，Means表示寻找集群中心点的手段🐍|👹。人们研究处理无标签数据集的方法🐏🐭_🐫🦕。面对无标签的数据集😏|🌏🐷，我们期望从数据中找出一定的规律🕸🥎-🖼🦠。一种最简单也最快速的聚类算法应运而生K-Means🕊🌕|_🐔🕸。核心思想很简单🎨|🦠：物以类聚🦆_😃🤣。随是什么😛|-🐳🦆。
K-Means是无监督学习的聚类算法🌪*-🎰，没有样本输出🐝--🪶；而KNN是监督学习的分类算法🐔*--😛🤨，有对应的类别输出🦝😯_|🦄🪆。KNN基本不需要训练⛈——|😆🦓，对测试集里面的点🎐🐼_♟，只需要找到在训练集中最近的k个点💮🕷||🦥🤭，用这最近的k个点的类别来决定测试点的类别🐿|🐸🐁。而K-Means则有明显的训练过程🕷_*，找到k个类别的最佳质心🐭🥏——🌾，从而决定样本的簇类别😛——-🦠。当然🐈——🎑，两者也有一些相似好了吧*|*🐐！
kmeans是无监督🎈_🤨。K-Means是一种无监督学习方法🐟☹️__🧵🎭，用于将无标签的数据集进行聚类🌛__🎍🦤。其中K指集群的数量🦑🦎|💫，Means表示寻找集群中心点的手段🐍|👹。人们研究处理无标签数据集的方法🐏🐭_🐫🦕。面对无标签的数据集😏|🌏🐷，我们期望从数据中找出一定的规律🕸🥎-🖼🦠。一种最简单也最快速的聚类算法应运而生K-Means🕊🌕|_🐔🕸。核心思想很简单🎨|🦠：物以类聚🦆_😃🤣。随是什么😛|-🐳🦆。
K-Means是无监督学习的聚类算法🌪*-🎰，没有样本输出🐝--🪶；而KNN是监督学习的分类算法🐔*--😛🤨，有对应的类别输出🦝😯_|🦄🪆。KNN基本不需要训练⛈——|😆🦓，对测试集里面的点🎐🐼_♟，只需要找到在训练集中最近的k个点💮🕷||🦥🤭，用这最近的k个点的类别来决定测试点的类别🐿|🐸🐁。而K-Means则有明显的训练过程🕷_*，找到k个类别的最佳质心🐭🥏——🌾，从而决定样本的簇类别😛——-🦠。当然🐈——🎑，两者也有一些相似好了吧*|*🐐！
Kmeans是一种非监督学习🍀_😷😀，没有标签和其他信息来比较聚类结果🐒🌻|_🦨。但是🧿🪲——🐇🌹，我们还是有一些指标可以评估算法的性能⭐️🦂——|😱🦂。我们已经介绍过类的畸变程度的度量方法🐓|——😀🤐。本节为将介绍另一种聚类算法效果评估方法称为轮廓系数(Silhouette Coefficient)🤑🍃_😶🦄。轮廓系数是类的密集与分散程度的评价指标🌏😿——🤿🦋。它会随着类的规模增大而增大🦒_-😎🐂。彼此相距很远*__🐑🦜，本身有帮助请点赞😠🌩——🐱🦐。
实际上🌾|🤮🐷，无论是从算法思想🐇🍀-🦕🐱，还是具体实现上⛅️🧩-🐷，K-means算法是一种很简单的算法😵🐥_🐘🐸。它属于无监督分类🦌-——🦋，通过按照一定的方式度量样本之间的相似度🌘_🌒💥，通过迭代更新聚类中心🦝🎁————🐘🦔，当聚类中心不再移动或移动差值小于阈值时🦛——|🐡🎎，则就样本分为不同的类别🐖😶|🦔。根据聚类中心🌼——-🎨，将所有样本点分为最相似的类别🐋——🐿。这需要一个有效的是什么🦢————💐😏。
K-Means聚类算法?？
所谓聚类算法是指将一堆没有标签的数据自动划分成几类的方法🐃_🐪🐄，属于无监督学习方法🌴⛳————🦔🏉，这个方法要保证同一类的数据有相似的特征🦝🦇_🥏，如下图所示🦆-|🦓：#160; 根据样本之间的距离或者说是相似性（..
2🐬——_😮、无监督学习🌺🐣|🐃😰：我们事先没有任何训练样本😷🦛_-🦊🐺，而需要直接对数据进行建模😷🕸||🐩🍁。比如我们去参观一个画展🤮☹️|🦀🤿，我们完全对艺术一无所知🦠🧵——🐚，但是欣赏完多幅作品之后🐑_——🎰，我们也能把它们分成不同的派别⛳🎫——-🌲😫。无监督学习主要算法是聚类*_|🎐，聚类目的在于把相似的东西聚在一起🤧🌿————😚🎍，主要通过计算样本间和群体间距离得到😐————🤐🐍，主要算法包括Kmeans好了吧🎐🐹|👹🦩！
常用的数据分析方法有哪些??？
以最为常见的K-means为例🎇——🤓，如下图🌘_|🐂： 可以看到🐭|_😋，数据可以被分到红蓝绿三个不同的簇(cluster)中🎰|🦝🥍，每个簇应有其特有的性质⚡️🐩__🐣。显然🕷🐊__🙉，聚类分析是一种无监督学习🐇🌾|_🍃🐒，是在缺乏标签的前提下的一种分类模型😿_😋。当我们对数据进行聚类后并得到簇后✨|-🪀，一般会单独对每个簇进行深入分析🌚————😾🎖，从而得到更加细致的结果🌧_🐹⚾。已赞过已踩过< 你对等我继续说🌹-——🐭。
1.2 无监督学习无监督学习的训练数据都是未经标记的🐯_🦨*，算法会在没有指导的情况下自动学习🐋🙈——|🐡☄️。简单地说🐤😋——-🌪🦀，就是训练数据只有自变量没有因变量（就是没有Y）🦩🦣|🌲。无监督学习的常见算法如下😀🦕--🦗：聚类算法K均值算法（K-means）基于密度的聚类方法(DBSCAN)最大期望算法可视化和降维主成分分析核主成分分析关联有帮助请点赞😌_-🦏🐅。
Novelty and Outlier Detection(奇异值和异常值检测)?？
1. 明确问题是有监督学习的分类问题还是无监督学习的聚类问题🤯🐡-🐷，或者是半监督学习的奇异值检测问题🏏|🙄*。2. 如果是无监督学习的异常值检测问题🙄_——🤨，根据我的测试结果🐏🦔_——💐，可以首先尝试cluster.KMeans 和cluster.SpectralClustering 算法🕹|🐝😎，然后使用ensemble.IsolationForest🐦|-*🐵，neighbors.LocalOutlierFactor 等算法☺️-🎽。3. 等会说☄️||🤮。
之前的方法都有一个条件即必须有一个明确的确定的结局🦘——🙃🐫，这样根据结局对自变量进行划分🤤🪡-🧵*，通常将这些情况称为有监督的🪀😌|——🐚。但是如果我们没有结局变量的时候🤢🐲——-🐔🍂，这样就需要用到的聚类分析😊——😣😘。有的聚类算法需要在划分前指定拟划分的类别数如🕷🌨-🀄：K-means🎈|🎀😴、SOM法🐗|_🏒🐑，有的则不需要如🏓——_😜：层次法🪱🦒——_🦃。总体的原则🍂🕸-😞🦈：保证划分后各类别之间的距离尽量好了吧🎖-🥋！