发帖
雷达卡
《机器学习导论》2nd Edition ---（土耳其）Ethem Alpaydin 著 范明 昝（zan）红英 牛常勇译 ----机械Press-2014.3
客户市场划分（customer segmentation）
一旦找到相似客户的相同分组，公司就可以做出一些决策，比如对不同分组的客户提供特别的服务和产品；这称作客户关系管理（customer relationship management）
这样的分组也可以用于识别“离群点”，即那些不同于其他客户的客户，可能意味着一块新的市场，公司可以进一步开发。
聚类的一个有趣的应用：图像压缩（image compression）
输入实例是RGB表示的图像像素。
聚类程序将颜色近似的像素点分到相同的分组，而这样的分组对应图像中频繁出现的颜色。
在文档聚类（document clustering）中，目标是把相似的文档分组。
文档用词袋（bag of words）表示，即预先定义N个词的词典，每份文档都是一个N维二值向量，如果第i个词出现在该文档中，则其第i个分量取1。删除后缀“-s”和“-ing”等，避免重复，且不用诸如“of”、“and”等不包含信息的词。
文档根据它们包含的相同词的个数分组。
（当然，如何选取词典至关重要）
ML方法还应用于生物信息学（bioinformation）：基因组，DNA是“生命的蓝图”，也是碱基即A、G、C、T的序列。
RNA由DNA转录而来，蛋白质由RNA转换而来。蛋白质就是生命体和生命体的产物。
DNA是碱基序列，蛋白质是氨基酸（由碱基定义）序列。
计算机科学在分子生物学的应用领域之一就是比对（alignment），即将一个序列与另一个序列匹配。
这是一个困难的串匹配问题，因为序列可能相当长，有很多模板串要进行匹配，还可能会被删节、插入、置换。
聚类用于学习结构域（motif），这是蛋白质结构中反复出现的氨基酸序列。
结构域之所以令人感兴趣，是因为它们可能对应它们所表征的序列内部的结构或功能要素。
打个比方，如果氨基酸是字母，蛋白质是句子，那么结构域就是单词，即具有特别意义、频繁出现在不同句子中的一串字母
京公网安备 11010802022788号
