Affinity_Propagation_(AP)_AP聚类聚类算法介绍
需积分: 50 137 浏览量
2016-03-28
16:37:15
上传
评论
收藏 272KB DOC 举报
AP 聚类算法
1.分类与聚类
1.1 分类算法简介
分类(classication )是找出描述并区分数据类或概念的模型(或函数)，以便
能够使用模型预测类标记未知的对象类。
在分类算法中输入的数据，或称训练集（Training Set），是一条条的数据
库记录（Record）组成的。每一条记录包含若干条属性（Attribute），组成一
个特征向量。训练集的每条记录还有一个特定的类标签（Class Label）与之对
应。该类标签是系统的输入，通常是以往的一些经验数据。一个具体样本的形式
可为样本向量:(v
1
, v
2
, ... , v
n
; c)。在这里 v
i
表示字段值,c 表示类别。
分类的目的是：分析输入的数据，通过--在训练集中的数据表现出来的特性，
为每一个类找到一种准确的描述或者模型。这种描述常常用谓词表示。由此生成
的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是
未知的，我们仍可以由此预测这些新数据所属的类。注意是预测，而不能肯定。
我们也可以由此对数据中的每一个类有更好的理解。也就是说：我们获得了对这
个类的知识。
下面对分类流程作个简要描述：
训练：训练集——>特征选取——>训练——>分类器
分类：新样本——>特征选取——>分类——>判决
常见的分类算法有：决策树、 KNN 法(K-Nearest Neighbor) 、SVM 法、
VSM 法、Bayes 法、神经网络等。
剩余12页未读，继续阅读
资源评论
