????對(duì)于大型的推薦系統(tǒng)，直接上協(xié)同過濾或者矩陣分解的話可能存在計(jì)算復(fù)雜度過高的問題，這個(gè)時(shí)候可以考慮用聚類做處理，其實(shí)聚類本身在機(jī)器學(xué)習(xí)中也常用，屬于是非監(jiān)督學(xué)習(xí)的應(yīng)用，我們有的只是一組組數(shù)據(jù)，最終我們要把它們分組，但是前期沒有任何的先驗(yàn)知識(shí)告訴我們那個(gè)點(diǎn)是屬于那個(gè)組的。

????當(dāng)我們有足夠的數(shù)據(jù)的時(shí)候可以考慮先用聚類做第一步處理，來(lái)縮減協(xié)同過濾的選擇范圍，從而降低復(fù)雜度。

????對(duì)了還想起來(lái)機(jī)器學(xué)習(xí)里面也經(jīng)常用聚類的方式進(jìn)行降維。這個(gè)在機(jī)器學(xué)習(xí)筆記部分后期我會(huì)整理。

????最終，每個(gè)聚類中的用戶，都會(huì)收到為這個(gè)聚類計(jì)算出的推薦內(nèi)容。聚類的話也有很多種方法時(shí)間，今天是整理最簡(jiǎn)單的那個(gè)姿勢(shì)：K-MEANS

????K-MEANS聚類算法是非常常用的聚類算法。它出現(xiàn)在很多介紹性的數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)課程中。在代碼中很容易理解和實(shí)現(xiàn)！

首先，選擇一些類/組來(lái)使用并隨機(jī)地初始化它們各自的中心點(diǎn)。要想知道要使用的類的數(shù)量，最好快速地查看一下數(shù)據(jù)，并嘗試識(shí)別任何不同的分組。中心點(diǎn)是與每個(gè)數(shù)據(jù)點(diǎn)向量相同長(zhǎng)度的向量，在上面的圖形中是“X”。

每個(gè)數(shù)據(jù)點(diǎn)通過計(jì)算點(diǎn)可每個(gè)組中心之間的距離進(jìn)行分類，然后將這個(gè)點(diǎn)分類為最接近它的組。

基于這些分類點(diǎn)，我們通過去組中所有向量的均值來(lái)重新計(jì)算中心。

對(duì)一組迭代重復(fù)這些步驟。你還可以選擇隨機(jī)初始化組中心幾次，然后選擇那些看起來(lái)對(duì)他提供好結(jié)果的來(lái)運(yùn)行。

????K-MEANS聚類算法的優(yōu)勢(shì)在于它的速度非常快，因?yàn)槲覀兯械闹皇怯?jì)算點(diǎn)和集群中心之間的距離，它有一個(gè)線性復(fù)雜度O(n)[注意不是整體的時(shí)間復(fù)雜度]。

另一方面，K-MEANS也有幾個(gè)缺點(diǎn)。首先，你必須選擇有多少組/類。這并不是不重要的事，理想情況下，我們希望它能幫我門解決這些問題，因?yàn)樗年P(guān)鍵在于從數(shù)據(jù)中國(guó)的一些啟示，K-MEANS也從隨機(jī)的聚類中心開始，因此在不同的算法運(yùn)行中可能產(chǎn)生不同的聚類結(jié)果。因此，結(jié)果可能是不可重復(fù)的，并且缺乏一致性。其他聚類方法更加一致。

????K-Medians是另一種與K-MEANS有關(guān)的聚類算法，除了使用均值的中間值來(lái)重新計(jì)算數(shù)組中心點(diǎn)以外，這種方法對(duì)于離散值的民高度較低（因?yàn)槭褂弥兄?#xff09;，但對(duì)于較大的數(shù)據(jù)集來(lái)說，它要慢得多，因?yàn)樵谟?jì)算中值向量時(shí)，每次迭代都需要進(jìn)行排序。

?

?

總結(jié)

以上是生活随笔為你收集整理的推荐算法-聚类-K-MEANS的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。