机器学习与数据挖掘 |
---|
![](//upload.wikimedia.org/wikipedia/commons/thumb/0/00/Multi-Layer_Neural_Network-Vector-Blank.svg/220px-Multi-Layer_Neural_Network-Vector-Blank.svg.png) |
|
|
|
|
- 因素分析
- CCA
- ICA
- LDA
- NMF(英语:Non-negative matrix factorization)
- PCA
- PGD(英语:Proper generalized decomposition)
- t-SNE(英语:t-distributed stochastic neighbor embedding)
- SDL
|
结构预测(英语:Structured prediction) |
- RANSAC
- k-NN
- 局部异常因子(英语:Local outlier factor)
- 孤立森林(英语:Isolation forest)
|
- 自编码器
- 認知計算
- 深度学习
- DeepDream(英语:DeepDream)
- 多层感知器
- RNN
- LSTM
- GRU(英语:Gated recurrent unit)
- ESN(英语:Echo state network)
- 储备池计算(英语:reservoir computing)
- 受限玻尔兹曼机
- GAN
- SOM
- CNN
- Transformer
- Vision transformer(英语:Vision transformer)
- 脉冲神经网络(英语:Spiking neural network)
- Memtransistor(英语:Memtransistor)
- 电化学RAM(英语:Electrochemical RAM)(ECRAM)
|
- Q学习
- SARSA
- 时序差分(TD)
- 多智能体(英语:Multi-agent reinforcement learning)
- Self-play(英语:Self-play (reinforcement learning technique))
- RLHF
|
与人类学习 - 主动学习(英语:Active learning (machine learning))
- 众包
- Human-in-the-loop(英语:Human-in-the-loop)
|
模型诊断 - 学习曲线(英语:Learning curve (machine learning))
|
数学基础 - 内核机器(英语:Kernel machines)
- 偏差–方差困境(英语:Bias–variance tradeoff)
- 计算学习理论(英语:Computational learning theory)
- 经验风险最小化
- 奥卡姆学习(英语:Occam learning)
- PAC学习(英语:Probably approximately correct learning)
- 统计学习
- VC理论
|
大会与出版物 - NeurIPS
- ICML(英语:International Conference on Machine Learning)
- ICLR
- ML(英语:Machine Learning (journal))
- JMLR(英语:Journal of Machine Learning Research)
|
相关条目 - 人工智能术语(英语:Glossary of artificial intelligence)
- 机器学习研究数据集列表(英语:List of datasets for machine-learning research)
- 机器学习概要(英语:Outline of machine learning)
|
|
OPTICS(英語:Ordering points to identify the clustering structure)是由米哈伊爾·安克斯特(Mihael Ankerst)、馬庫斯·M·布呂尼希(Markus M. Breunig)、漢斯-彼得·克里戈爾和約爾格·桑德(Jörg Sander)提出的基于密度的聚类分析算法。[1]OPTICS并不依赖全局变量来确定聚类,而是将空间上最接近的点相邻排列,以得到数据集合中的对象的线性排序。[2]排序后生成的序列存储了与相邻点之间的距离,并最终生成了一个 dendrogram 。OPTICS算法的思路与DBSCAN类似,但是解决了DBSCAN的一个主要弱点,即如何在密度变化的数据中取得有效的聚类。同时 OPTICS也避免了多数聚类算法中对输入参数敏感的问题。
复杂度
类似于DBSCAN,OPTICS处理数据集中的每个点,在这个过程中进行
-邻域查询。如果保证给定空间坐标时候,邻域查询可以以
的复杂度完成,可以得到总时间复杂度为
。OPTICS原始论文的作者表明OPTICS算法比DBSCAN算法慢常数1.6倍。由于值过大可能会使邻域查询的的时间复杂度降至线性,这个数值可能会显著变化。
实践中,选择
(大于数据集中的最大距离)是可能的,但由于每此领域查询会在整个数据集中进行,时间复杂度会降至平方。即使没有可用的空间索引,也会产生额外的堆管理成本。 因此
应当被仔细选择。
软件实现
ELKI数据挖掘框架(英语:ELKI)提供了OPTICS、OPTICS-OF、DeLi-Clu、HiSC、HiCO和DiSH的Java实现。
R语言中,dbscan包提供了OPTICS的C++实现。
Python中,PyClustering库和Scikit-learn库实现了OPTICS;hdbscan库提供了HDBSCAN*实现。
参考资料
- ^ Ankerst, Mihael; Breunig, Markus M.; Kriegel, Hans-Peter; Sander, Jörg. OPTICS. ACM SIGMOD Record. 1999-06-01, 28 (2): 49–60. ISSN 0163-5808. doi:10.1145/304181.304187.
- ^ OPTICS聚类算法. 知乎专栏. [2018-12-09]. (原始内容存档于2018-12-10) (中文).
![小作品圖示](//upload.wikimedia.org/wikipedia/commons/thumb/9/91/LampFlowchart.svg/22px-LampFlowchart.svg.png) | 这是一篇電腦科學小作品。您可以通过编辑或修订扩充其内容。 |