介绍
在上一篇文章中,我们了解了潜在变量在贝叶斯建模中的重要性。现在从这篇文章开始,我们将看到贝叶斯算法在起作用。我们将遍历机器学习的各个方面,并了解贝叶斯方法将如何帮助我们设计解决方案。以及我们可以通过使用它获得的其他功能和见解。以下各节通常称为贝叶斯推断。在这篇文章中,我们将看到如何使用贝叶斯方法对给定数据进行聚类。
概率聚类
聚类是根据数据的固有属性将数据拆分为单独的块的方法。当我们在其中使用“概率”一词时,我们暗示给定数据中的每个点都是每个群集的一部分,但是具有一定的概率。因此,概率聚类一词。所以,让我们开始吧!
从标题可以明显看出,给定数据中的每个点都将以一定概率属于每个聚类,而最大概率聚类将定义该点。现在,对于这种集群解决方案,我们需要提前了解几件事。
如何按概率定义每个聚类?
将形成多少个集群?
对以上两个问题的回答将帮助我们将数据中的每个点定义为每个聚类的概率部分。因此,让我们首先为这些问题制定解决方案。
如何按概率定义每个聚类?
我们定义每个聚类都来自高斯分布,均值= μ,标准偏差= ∑,方程看起来像
关注 CDA人工智能学院 ,回复“录播”获取更多人工智能精选直播视频!