本文转自博客园xingoo的博客，原文链接：机器学习——相似度算法汇总，如需转载请自行联系原博主。
机器学习——相似度算法汇总
2017-12-04
1226
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
目录
相关文章
|
3天前
|
机器学习/深度学习
自然语言处理
算法
机器学习算法原理与应用：深入探索与实战
【5月更文挑战第2天】本文深入探讨机器学习算法原理，包括监督学习（如线性回归、SVM、神经网络）、非监督学习（聚类、PCA）和强化学习。通过案例展示了机器学习在图像识别（CNN）、自然语言处理（RNN/LSTM）和推荐系统（协同过滤）的应用。随着技术发展，机器学习正广泛影响各领域，但也带来隐私和算法偏见问题，需关注解决。
15
4
4
|
4天前
|
机器学习/深度学习
运维
算法
【Python机器学习专栏】异常检测算法在Python中的实践
【4月更文挑战第30天】本文介绍了异常检测的重要性和在不同领域的应用，如欺诈检测和网络安全。文章概述了四种常见异常检测算法：基于统计、距离、密度和模型的方法。在Python实践中，使用scikit-learn库展示了如何实现这些算法，包括正态分布拟合、K-means聚类、局部异常因子(LOF)和孤立森林(Isolation Forest)。通过计算概率密度、距离、LOF值和数据点的平均路径长度来识别异常值。
14
0
0
|
4天前
|
机器学习/深度学习
数据可视化
算法
【Python机器学习专栏】t-SNE算法在数据可视化中的应用
【4月更文挑战第30天】t-SNE算法是用于高维数据可视化的非线性降维技术，通过最小化Kullback-Leibler散度在低维空间保持数据点间关系。其特点包括：高维到二维/三维映射、保留局部结构、无需预定义簇数量，但计算成本高。Python中可使用`scikit-learn`的`TSNE`类实现，结合`matplotlib`进行可视化。尽管计算昂贵，t-SNE在揭示复杂数据集结构上极具价值。
10
1
1
|
4天前
|
机器学习/深度学习
算法
数据挖掘
【Python机器学习专栏】关联规则学习：Apriori算法详解
【4月更文挑战第30天】Apriori算法是一种用于关联规则学习的经典算法，尤其适用于购物篮分析，以发现商品间的购买关联。该算法基于支持度和置信度指标，通过迭代生成频繁项集并提取满足阈值的规则。Python中可借助mlxtend库实现Apriori，例如处理购物篮数据，设置支持度和置信度阈值，找出相关规则。
15
2
2
|
4天前
|
机器学习/深度学习
算法
数据挖掘
【Python机器学习专栏】层次聚类算法的原理与应用
【4月更文挑战第30天】层次聚类是数据挖掘中的聚类技术，无需预设簇数量，能生成数据的层次结构。分为凝聚（自下而上）和分裂（自上而下）两类，常用凝聚层次聚类有最短/最长距离、群集平均和Ward方法。优点是自动确定簇数、提供层次结构，适合小到中型数据集；缺点是计算成本高、过程不可逆且对异常值敏感。在Python中可使用`scipy.cluster.hierarchy`进行实现。尽管有局限，层次聚类仍是各领域强大的分析工具。
17
3
3
|
4天前
|
机器学习/深度学习
算法
数据挖掘
【Python 机器学习专栏】K-means 聚类算法在 Python 中的实现
【4月更文挑战第30天】K-means 是一种常见的聚类算法，用于将数据集划分为 K 个簇。其基本流程包括初始化簇中心、分配数据点、更新簇中心并重复此过程直到收敛。在 Python 中实现 K-means 包括数据准备、定义距离函数、初始化、迭代和输出结果。虽然算法简单高效，但它需要预先设定 K 值，且对初始点选择敏感，可能陷入局部最优。广泛应用在市场分析、图像分割等场景。理解原理与实现对应用聚类分析至关重要。
11
1
1
|
4天前
|
机器学习/深度学习
算法
前端开发
【Python机器学习专栏】集成学习算法的原理与应用
【4月更文挑战第30天】集成学习通过组合多个基学习器提升预测准确性，广泛应用于分类、回归等问题。主要步骤包括生成基学习器、训练和结合预测结果。算法类型有Bagging（如随机森林）、Boosting（如AdaBoost）和Stacking。Python中可使用scikit-learn实现，如示例代码展示的随机森林分类。集成学习能降低模型方差，缓解过拟合，提高预测性能。
11
3
3
|
4天前
|
机器学习/深度学习
算法
Python
【Python 机器学习专栏】随机森林算法的性能与调优
【4月更文挑战第30天】随机森林是一种集成学习方法，通过构建多棵决策树并投票或平均预测结果，具有高准确性、抗过拟合、处理高维数据的能力。关键性能因素包括树的数量、深度、特征选择和样本大小。调优方法包括调整树的数量、深度，选择关键特征和参数优化。Python 示例展示了使用 GridSearchCV 进行调优。随机森林广泛应用于分类、回归和特征选择问题，是机器学习中的重要工具。
12
1
1
|
4天前
|
机器学习/深度学习
算法
数据可视化
【Python机器学习专栏】决策树算法的实现与解释
【4月更文挑战第30天】本文探讨了决策树算法，一种流行的监督学习方法，用于分类和回归。文章阐述了决策树的基本原理，其中内部节点代表特征判断，分支表示判断结果，叶节点代表类别。信息增益等标准用于衡量特征重要性。通过Python的scikit-learn库展示了构建鸢尾花数据集分类器的示例，包括训练、预测、评估和可视化决策树。最后，讨论了模型解释和特征重要性评估在优化中的作用。
7
1
1
|
5天前
|
机器学习/深度学习
自然语言处理
算法
热门文章
最新文章
1
【MATLAB】GA_ELM神经网络时序预测算法
2
使用Python实现DBSCAN聚类算法
3
R语言聚类算法的应用实例
4
普林斯顿算法讲义（二）（4）
5
52个AIGC视频生成算法模型介绍（上）
6
【算法与数据结构】队列的实现详解
7
深度解析JVM世界：垃圾判断和垃圾回收算法
8
普林斯顿算法讲义（一）（4）
9
R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例
10
深度学习中必备的算法：神经网络、卷积神经网络、循环神经网络
1
【AAAI 2024】再创佳绩！阿里云人工智能平台PAI多篇论文入选
435
2
阿里云人工智能平台PAI多篇论文入选EMNLP 2023
450
3
阿里云人工智能平台 PAI 扩散模型加速采样算法论文入选 CIKM 2023
36839
4
构建高效机器学习模型：从数据预处理到模型调优
10
5
机器学习的魔法（三）解析无监督学习的黑科技，揭秘新闻话题背后的神奇算法
22
6
机器学习的魔法（二）超越预测的界限-揭秘机器学习的黑科技-探索监督学习中的回归和分类问题
136
7
机器学习的魔法（一）从零开始理解吴恩达的精炼笔记
35
8
MAC系统机器学习环境配置常见问题
31
9
构建高效机器学习模型：从数据预处理到模型优化
31
10
构建高效机器学习模型：从数据预处理到模型调优
34