机器学习强基计划7-3:详细推导学习向量量化LVQ算法(附Python实现)

目录

  • 0 写在前面
  • 1 有监督聚类
  • 2 算法流程
  • 3 Python实现
    • 3.1 初始化原型向量
    • 3.2 迭代更新原型向量
    • 3.3 更新簇划分
    • 3.4 可视化

0 写在前面

机器学习强基计划聚焦深度和广度,加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理;“广”在分析多个机器学习模型:决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。强基计划实现从理论到实践的全面覆盖,由本人亲自从底层编写、测试与文章配套的各个经典算法,不依赖于现有库,可以大大加深对算法的理解。

详情:机器学习强基计划(附几十种经典模型源码)


1 有监督聚类

学习向量量化(Learning Vector Quantization, LVQ)属于原型聚类,其核心原理是通过参考原型向量(模板向量)或原型分布(模板分布

你可能感兴趣的:(机器学习强基计划,python,算法,数据挖掘,人工智能)