clustering

k-means法

API

>>> from sklearn.cluster import KMeans
>>> import numpy as np
>>> X = np.array([[1, 2], [1, 4], [1, 0],
...               [4, 2], [4, 4], [4, 0]])
>>> kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
>>> kmeans.labels_
array([0, 0, 0, 1, 1, 1], dtype=int32)
>>> kmeans.predict([[0, 0], [4, 4]])
array([0, 1], dtype=int32)
>>> kmeans.cluster_centers_
array([[ 1.,  2.],
       [ 4.,  2.]])

批量 K-means 法 MiniBatchKMeans

API

相似性傳播 Affinity Propagation

API

適合中小型的數據集

均值漂移 MeanShift

API

回歸

用到的回歸類

regr = linear_model.LinearRegression()

線性回歸的多分類

例子

OvO 一對一

把類別兩兩配對，制造N(N-1)個分類器。所有分類器預測結果最重合的那個類別，即為此點的分類。

OvR 一對多

共有N個分類器，每個分類器把一個類別記為‘+’的，其他類別一塊記為‘-'的。預測時，若有一個分類器預測結果為+，則把它當做最終結果。

Paste_Image.png

OvO的存儲開銷比較大，時間開銷更小，由于用所有類別訓練，結果比一對多更準。

MvM 多對多

每個分類器對所有類進行劃分，分為-和+。有二元編碼和三元編碼，三元編碼多了個「停用類」。

方法稱作「糾錯輸出碼」EOOC。

這三個方法很難說出誰更強。