La mayoría de las formas de agrupamiento, como K-Means, toman muchos objetos y los interpretan como puntos en el espacio N dimensional. Eliges el número de grupos que deseas (K) y se cortarán los puntos y te darán grupos K, donde cada grupo tiene un centro y un conjunto de puntos que le pertenecen. Intenta minimizar la distancia entre la suma de las distancias desde cada punto hasta el centro de su grupo.
Esto es poderoso y basta con muchas aplicaciones; sin embargo, los grupos son relativamente arbitrarios y si quieres comprenderlos mejor, debes entrar y descubrir qué significan realmente los grupos.
En la agrupación conceptual, en lugar de proporcionar una serie de agrupaciones, se le proporciona una lista de conceptos y cualquier información y requisitos necesarios para que un elemento se ajuste a ese concepto. El algoritmo debería crear una estructura (generalmente heiarcal) que defina cómo interactúan esos conceptos y qué puntos pertenecen a qué conceptos.
- Aprendizaje profundo: ¿Qué técnica de preprocesamiento es necesaria para los parches de imágenes para obtener características relevantes?
- ¿Por qué Quora eligió a HackerRank como plataforma para organizar sus competiciones de ML en lugar de algún sitio más familiar como Kaggle?
- Cómo evaluar un experimento además de usar una diferencia en regresión de diferencia
- Cómo medir el rendimiento de aprendizaje en Q-Learning
- ¿Qué tan útil es el aprendizaje profundo para problemas P> N?
