Stanford 机器学习 Week8 作业:K-means Clustering and Principal Component Analysis
2016-03-20 23:22
423 查看
FindClosestCentroids
ComputeCentroids
RandomInitialization
PCA
ProjectionData(PCA)
RecoverData(PCA)
for i = 1:size(X,1) dis = sum((centroids - X(i,:)) .^ 2, 2); [t, idx(i)] = min(dis); end
ComputeCentroids
for i = 1:K id = find(idx == i); tot = X(id,:); centroids(i,:) = mean(tot); end
RandomInitialization
id = randperm(size(X,1)); id = id(1:K); centroids = X(id);
PCA
sigma = 1/m * X' * X; [U,S,V] = svd(sigma);
ProjectionData(PCA)
Z = X * U(:,1:K);
RecoverData(PCA)
X_rec = Z * U(:,1:K)'
相关文章推荐
- 用Python从零实现贝叶斯分类器的机器学习的教程
- My Machine Learning
- 机器学习---学习首页 3ff0
- 反向传播(Backpropagation)算法的数学原理
- 也谈 机器学习到底有没有用 ?
- 如何用70行代码实现深度神经网络算法
- 量子计算机编程原理简介 和 机器学习
- 近200篇机器学习&深度学习资料分享(含各种文档,视频,源码等)
- 已经证实提高机器学习模型准确率的八大方法
- 初识机器学习算法有哪些?
- 机器学习相关的库和工具
- 10个关于人工智能和机器学习的有趣开源项目
- 机器学习实践中应避免的7种常见错误
- 机器学习书单
- 北美常用的机器学习/自然语言处理/语音处理经典书籍
- 如何提升COBOL系统代码分析效率
- 自动编程体系设想(一)
- 自动编程体系设想(一)
- 支持向量机(SVM)算法概述
- [Ng机器学习公开课1]机器学习概述