1700535596
难度：★★★☆☆
1700535597
1700535598
分析与解答
1700535599
1700535600
■ 设定输出层神经元的数量
1700535601
1700535602
输出层神经元的数量和训练集样本的类别数相关。若不清楚类别数，则尽可能地设定较多的节点数，以便较好地映射样本的拓扑结构，如果分类过细再酌情减少输出节点。这样可能会带来少量从未更新过权值的 “死节点”，但一般可通过重新初始化权值来解决。
1700535603
1700535604
■ 设计输出层节点的排列
1700535605
1700535606
输出层的节点排列成哪种形式取决于实际应用的需要，排列形式应尽量直观地反映出实际问题的物理意义。例如，对于一般的分类问题，一个输出节点能代表一个模式类，用一维线阵既结构简单又意义明确；对于颜色空间或者旅行路径类的问题，二维平面则比较直观。
1700535607
1700535608
■ 初始化权值
1700535609
1700535610
可以随机初始化，但尽量使权值的初始位置与输入样本的大概分布区域充分重合，避免出现大量的初始“死节点”。一种简单易行的方法是从训练集中随机抽取m个输入样本作为初始权值。
1700535611
1700535612
■ 设计拓扑领域
1700535613
1700535614
拓扑领域的设计原则是使领域不断缩小，这样输出平面上相邻神经元对应的权向量之间既有区别又有相当的相似性，从而保证当获胜节点对某一类模式产生最大响应时，其领域节点也能产生较大响应。领域的形状可以是正方形、六边形或者菱形。优势领域的大小用领域的半径表示，通常凭借经验来选择。
1700535615
1700535616
■ 设计学习率
1700535617
1700535618
学习率是一个递减的函数，可以结合拓扑邻域的更新一起考虑，也可分开考虑。在训练开始时，学习率可以选取较大的值，之后以较快的速度下降，这样有利于很快地捕捉到输入向量的大致结构，然后学习率在较小的值上缓降至0值，这样可以精细地调整权值使之符合输入空间的样本分布结构。
1700535619
1700535620
1700535621
1700535622
1700535624
百面机器学习：算法工程师带你去面试 04 聚类算法的评估
1700535625
1700535626
1700535627
1700535628
场景描述
1700535629
1700535630
人具有很强的归纳思考能力，善于从一大堆碎片化的事实或者数据中寻找普遍规律，并得到具有逻辑性的结论。以用户观看视频的行为为例，可以存在多种直观的归纳方式，比如从喜欢观看内容的角度，可以分为动画片、偶像剧、科幻片等；从常使用的设备角度，可以分为台式电脑、手机、平板便携式设备、电视等；从使用时间段上看，有傍晚、中午、每天、只在周末观看的用户，等等。对所有用户进行有效的分组对于理解用户并推荐给用户合适的内容是很重要的。通常这类问题没有观测数据的标签或者分组信息，需要通过算法模型来寻求数据内在的结构和模式。
1700535631
1700535632
知识点
1700535633
1700535634
数据簇，聚类算法评估指标
1700535635
1700535636
问题 以聚类问题为例，假设没有外部标签数据，如何评估两个聚类算法的优劣？
1700535637
1700535638
难度：★★★☆☆
1700535639
1700535640
分析与解答
1700535641
1700535642
场景描述中的例子就是一个典型的聚类问题，从中可以看出，数据的聚类依赖于实际需求，同时也依赖于数据的特征度量以及评估数据相似性的方法。相比于监督学习，非监督学习通常没有标注数据，模型、算法的设计直接影响最终的输出和模型的性能。为了评估不同聚类算法的性能优劣，我们需要了解常见的数据簇的特点。
1700535643
1700535644
1700535645
[
上一页 ]
[ :1.700535596e+09 ]
[
下一页 ]