模式识别 学习笔记：第九章 非监督模式识别

模式识别 学习笔记：第九章 非监督模式识别

本系列博客主要是在学习《模式识别（张学工著 第三版）》时的一些笔记。 ​

1 引言

1-1 分类

基于样本的概率分布模型进行聚类直接根据样本间的距离或相似性度量进行聚类

2 基于模型的方法

如果已经知道或者可以估计样本在特征空间的概率分布，就可以用基于模型的方法进行聚类分析。模型就是样本在其所在空间里的概率密度函数。

2-1 单峰子集分离

2-2 高维特征的单峰子集分离

2-3 实例

3 混合模型的估计

非监督最大似然估计

假设条件

似然函数

可识别性问题

计算问题

4 动态聚类方法

特点 1. 选定某种距离度量作为样本间的相似性度量； 2. 确定某个评价聚类结果质量的准则函数； 3. 选定某个初始分类，然后用迭代算法 使准则函数取极值的最好聚类结果。

4-1 C均值聚类

4-2 ISODATA方法

4-3 基于样本与核的相似性度量的动态聚类方法

5 模糊聚类方法

模糊集

模糊C均值聚类

改进的模糊C均值聚类

6 分级聚类方法

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。