非監督學習-聚類cluster

原始數據容易獲得，但標註數據昂貴；降低存儲/計算； 對高維數據降噪；對數據進行探索性分析（可視化）； 非監督學習通常可作爲監督學習的預處理步驟。 發現數據中分組聚集的結構：根據數據中樣本與樣本之間的距離 或相似度，將樣本劃分爲若干組／類／簇（cluster）。 劃分的原則：簇內樣本相似、簇間樣本不相似 聚類的結果是產生一個簇的集合 模糊（Fuzzy）vs.非模糊的（non-fuzzy） l 在模糊

>>阅读原文<<