无监督学习算法常见的应用场景包括样本数据预处理、样本数据特征转换和聚类分析。 其中,样本数据预处理的作用是用预处理之后的样本数据训练有监督学习算法所构建的模型,能使模型的训练效果更好,能大大提高分类或回归任务的准确率,比如,常见的样本数据预处理方法之一就是对样本数据的取值范围进行缩放,使各特征值的取值在...
无监督学习之聚类K-means算法实例 # 无监督学习: 聚类,将无标记的样本进行分类 import numpy as np import matplotlib.pyplot as plt from sklearn import metrics from sklearn.cluster import KMeans import pandas as pd #--数据准备 import tushare as ts data=ts.get_hist_data('601518',start='2017-010...
使各特征值的取值在同一个数量级上,更有利于有监督学习模型的训练;样本数据特征转换的作用就是把原本特征比较复杂的数据集通过无监督学习算法转换成特征比较简单和容易理解的数据集,比如,常见