?Datawhale?

作者：小一，Datawhale優(yōu)秀學(xué)習(xí)者

寄語(yǔ)：首先，對(duì)聚類算法進(jìn)行了介紹；然后，解釋了EM算法E步、M步的原理；最后，對(duì)sklearn參數(shù)進(jìn)行了詳解，并對(duì)王者榮耀英雄利用EM算法聚類，助力深入理解EM算法。

EM算法(Expectation Maximization Algorithm)，譯作最大期望化算法或期望最大算法。它是一種迭代算法，是常見(jiàn)且經(jīng)典的聚類算法之一，用于含有隱變量（hidden variable）的概率參數(shù)模型的最大似然估計(jì)或極大后驗(yàn)概率估計(jì)。

對(duì)聚類算法、EM算法的原理及其實(shí)踐進(jìn)行詳細(xì)的講解之前。首先來(lái)看一張EM算法的聚類圖，有個(gè)大致直觀地了解。

學(xué)習(xí)框架

數(shù)據(jù)集及聚類分析代碼后臺(tái)回復(fù) 王者榮耀 獲取

聚類算法

先來(lái)一段西瓜書(shū)里面的定義：在“無(wú)監(jiān)督學(xué)習(xí)”中，訓(xùn)練樣本的標(biāo)記信息是未知的，目標(biāo)是通過(guò)對(duì)無(wú)標(biāo)記訓(xùn)練樣本的學(xué)習(xí)來(lái)揭示數(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律，為進(jìn)一步的數(shù)據(jù)分析提供基礎(chǔ)，此類學(xué)習(xí)任務(wù)中研究最多、應(yīng)用最廣的是“聚類”（clustering）。

總結(jié)一下關(guān)鍵詞：標(biāo)記信息未知、學(xué)習(xí)、內(nèi)在性質(zhì)及規(guī)律、聚類。對(duì)，還有一個(gè)：無(wú)監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督算法大多都可以用上面的關(guān)鍵詞來(lái)描述。

以聚類算法為例，其目的是對(duì)一批未知標(biāo)記的數(shù)據(jù)通過(guò)某種方式進(jìn)行聚類，使其能夠有效的分成若干個(gè)類別，每一個(gè)類別里面的數(shù)據(jù)特征都類似，不同類別的數(shù)據(jù)差異性較大。

舉個(gè)簡(jiǎn)單的例子：在中國(guó)的鄉(xiāng)村有這樣一個(gè)現(xiàn)象，一個(gè)村子的姓氏大多相同，不同村子有不同的姓氏。那如果現(xiàn)在把王家村、李家村、趙家村的所有人都聚集在一起，前提是不知道他們是哪個(gè)村子的，如何對(duì)他們進(jìn)行聚類？

• 特性①：姓名，通過(guò)姓氏進(jìn)行聚類，最終聚成三類：王+李+趙+其它

• 特性②：性別，通過(guò)性別進(jìn)行聚類，最終聚成兩類：男+女

• 特性③：年齡，通過(guò)年齡進(jìn)行聚類，最終聚成三類：兒童+青年+老年

• 特性④：價(jià)值，通過(guò)價(jià)值進(jìn)行聚類，最終聚成三類：高收入+中收入+低收入

• 特性⑤：屬性，通過(guò)屬性進(jìn)行聚類，最終聚成三類：村領(lǐng)導(dǎo)+村干部+村民

• …

上面的姓氏、性別、年齡、價(jià)值和屬性等都是村民的內(nèi)在性質(zhì)（人物特征），這樣的內(nèi)在性質(zhì)有很多，也就決定了聚類的標(biāo)準(zhǔn)并不唯一。

ok，想必大家已經(jīng)明白了什么是聚類，通過(guò)上面的例子我們總結(jié)一下。

1. 何為聚類

聚類：將數(shù)據(jù)集中的樣本劃分為若干個(gè)不相交的子集，每個(gè)子集內(nèi)部的樣本之間具有相同的性質(zhì)，不同子集之間差異性較大。通常情況下，我們會(huì)將子集稱之為“簇”(cluster)

2. 如何聚類

聚類的本質(zhì)是將具有相似特征的樣本劃分在一個(gè)簇里面，根據(jù)聚類算法的不同，聚類的實(shí)現(xiàn)過(guò)程也不盡相同。

例如，聚類算法中k-means是基于均值的聚類，DBSCAN是基于密度的聚類，AGNES是基于層次的聚類，可以針對(duì)不同的樣本集使用不同算法進(jìn)行聚類。

3. 評(píng)估聚類

聚類性能的評(píng)估比較麻煩，主要有兩個(gè)原因：

• 樣本集不存在已標(biāo)記的類別數(shù)據(jù)，無(wú)法直接計(jì)算聚類算法的準(zhǔn)確率。

• 若存在標(biāo)記類別數(shù)據(jù)，無(wú)法直接通過(guò)預(yù)測(cè)前后類別之間的對(duì)應(yīng)關(guān)系進(jìn)行性能評(píng)估

針對(duì)上面的問(wèn)題，可以大致分為兩種，一種是存在已經(jīng)確定的標(biāo)記類別數(shù)據(jù)（類似于分類數(shù)據(jù)集），一種是完全沒(méi)有標(biāo)記的類別數(shù)據(jù)。

有標(biāo)記類別數(shù)據(jù)的評(píng)估：當(dāng)前的樣本數(shù)據(jù)有標(biāo)記類別數(shù)據(jù)C1和預(yù)測(cè)后的標(biāo)記類別數(shù)據(jù)C2，但是無(wú)法直觀的通過(guò)C1、C2去計(jì)算聚類錯(cuò)誤率。

這個(gè)時(shí)候，可以通過(guò)條件熵去分析，可以認(rèn)識(shí)到兩個(gè)指標(biāo)，分別是齊次性和完整性。通過(guò)這兩個(gè)指標(biāo)可以評(píng)估帶有類別標(biāo)記樣本的聚類性能。

其中齊次性表示一個(gè)聚類元素只由一種類別的元素組成；完整性則表示給定的已標(biāo)記的類別 ，全部分配到一個(gè)聚類里。

沒(méi)有標(biāo)記的類別數(shù)據(jù)的評(píng)估：大多應(yīng)用于聚類算法的數(shù)據(jù)都是無(wú)標(biāo)記的，因?yàn)榧热粩?shù)據(jù)都有標(biāo)記了，直接用分類算法不香嗎？

有一個(gè)指標(biāo)叫做輪廓系數(shù)，它可以在不需要已標(biāo)記數(shù)據(jù)集的前提下，對(duì)聚類算法的性能進(jìn)行評(píng)估。

輪廓算法由以下兩個(gè)指標(biāo)構(gòu)成：

• a：一個(gè)樣本與其所在相同聚類的平均距離

• b：一個(gè)樣本與其距離最近的下一個(gè)聚類里的點(diǎn)的平均距離

則針對(duì)這個(gè)樣本，其輪廓系數(shù)s的值為：

針對(duì)一個(gè)數(shù)據(jù)集，其輪過(guò)系數(shù)s 為其所有樣本的輪廓系數(shù)的平均值。輪廓系數(shù)的數(shù)值介于[-1,1]之間，-1表示完全錯(cuò)誤的聚類，1表示完美的聚類，0表示聚類重疊。

EM原理

EM的英文全稱是：Expectation Maximization，所以EM算法也叫最大期望算法。

學(xué)習(xí)EM之前，希望你已經(jīng)理解了什么是極大似然估計(jì)，不了解的點(diǎn)這個(gè)：太贊了！機(jī)器學(xué)習(xí)基礎(chǔ)核心算法：貝葉斯分類！(附西瓜書(shū)案例及代碼實(shí)現(xiàn))

1. 極大似然估計(jì)

先說(shuō)一下極大似然估計(jì)：已知某個(gè)隨機(jī)樣本滿足某種概率分布，且某個(gè)參數(shù)能使這個(gè)樣本出現(xiàn)的概率最大，我們把這個(gè)參數(shù)作為估計(jì)的真實(shí)值叫做最大似然估計(jì)。也就是求解出現(xiàn)樣本結(jié)果的最佳參數(shù)θ。

所以極大似然估計(jì)需要面臨的概率分布只能有一個(gè)，但是要是不止一個(gè)呢？看個(gè)例子：

假設(shè)現(xiàn)在有兩枚硬幣A和B，隨機(jī)拋擲后正面朝上概率分別為P_A，P_B。為了估計(jì)這兩個(gè)概率，需要每次取一枚硬幣，連擲10下并記錄下結(jié)果，結(jié)果如下：

ok，根據(jù)以上分布結(jié)果，可以輕松算出：

似乎很簡(jiǎn)單，但是你要知道每次我們都知道了是拋出哪個(gè)硬幣。換句話說(shuō)，我們已經(jīng)提前知道了每次選擇硬幣拋出的樣本分布。如果，我們不知道呢？那會(huì)是什么樣的？上面的例子變成了這種：

Z{A,B}表示每次選擇A、B兩個(gè)硬幣中一個(gè)，但是我們現(xiàn)在已經(jīng)不知道是哪一個(gè)了，目標(biāo)還是估計(jì)A、B兩個(gè)硬幣正面朝上的概率。當(dāng)我們知道每一次拋出的硬幣是A還是B，才能利用最大似然估計(jì)對(duì)A、B正面朝上的概率進(jìn)行估計(jì)。

當(dāng)我們知道A、B正面朝上的概率，才會(huì)知道拋出的硬幣最有可能是A還是B。這樣來(lái)看，這個(gè)問(wèn)題就有趣了，我們并不知道是雞生蛋還是蛋生雞，怎么判斷是先有雞還是先有蛋？考慮這個(gè)問(wèn)題不妨再來(lái)看下面的例子。

2. 分菜問(wèn)題

大廚炒好了一鍋菜，需要把鍋里的菜平均分配到兩個(gè)碟子里，大廚應(yīng)該怎么辦呢？

如果是浸淫已久的大廚，可能隨便小手一抖就平均到兩個(gè)碟子里了，但是大多數(shù)都是偽大廚，手上功夫還不到位，他們應(yīng)該怎么做？

偽大廚可能需要多試幾次才行，比如先隨便分在兩個(gè)碟子里，然后把菜多碟子的菜往另一個(gè)碟子勻勻，然后再勻勻，再勻勻…一直到兩個(gè)碟子中菜的量大致一樣。

ok，那我們這個(gè)問(wèn)題呢？要不也試試偽大廚的方法？

3. 模仿分菜

首先，我們模仿偽大廚的方法，隨便設(shè)置A、B硬幣正面朝上的概率P_A=0.5、P_B=0.9。如果第一枚硬幣是A硬幣，那么它正面朝上的概率是：

如果第一枚硬幣是B硬幣，那么它正面朝上的概率是：

同樣的計(jì)算方法，其他幾枚硬幣的概率分別是：

按照最大似然法則，每一次取概率最大的作為我們的結(jié)果，則硬幣的順序依次是：AABBA。這個(gè)也就是上面我們假設(shè)的Z值，那么根據(jù)這個(gè)Z值我們可以輕松的算出：

算出的P_A、P_B的值和我們假設(shè)的不一致，這時(shí)候說(shuō)明偽大廚還沒(méi)有把菜分均勻。看來(lái)偽大廚還需要再分一次，這個(gè)時(shí)候A、B正面朝上的值由第一次的：

更新成現(xiàn)在的：

重復(fù)上面的步驟，最終A、B正面朝上的概率不再發(fā)生變化，且會(huì)逐漸逼近一個(gè)值，這就是EM算法的工作原理。

4. 模仿的升級(jí)

雖然說(shuō)我們一直在模仿大廚的操作，但是我們也想要超越他成為更厲害的大廚。

在上面的過(guò)程中，我們發(fā)現(xiàn)直接每一次選擇最大概率的結(jié)果作為硬幣的選擇有點(diǎn)過(guò)于絕對(duì)，因?yàn)閺挠?jì)算結(jié)果來(lái)看另一枚硬幣也是有概率的，只是概率偏小一點(diǎn)。這樣的話，我們?cè)诘谝惠喼锌梢赃@樣計(jì)算：

如果第一枚硬幣是A硬幣，那么它正面朝上的概率是：

同理可以求出第2輪到底5輪的概率值

此時(shí)，我們可以根據(jù)最大似然估計(jì)求出的概率，分別算出AB正反面的期望值：

例如：第一輪中，0.994的概率為A，拋10次，正面朝上的概率為0.994*5=9.94，同理反正為0.06。同理可以求出第2輪到第5輪的期望值：

此時(shí)根據(jù)期望值我們可以輕松的算出：

可以看出，相比上一種方法，這種方法的收斂會(huì)更快些，更加逼近我們的目標(biāo)值。這個(gè)過(guò)程就是EM算法的實(shí)現(xiàn)過(guò)程。

5. EM工作原理

上面的投擲硬幣屬于A硬幣還是B硬幣我們稱之為隱含參數(shù)，A硬幣和B硬幣的分布參數(shù)我們稱之為模型參數(shù)。

EM 算法解決這個(gè)的思路是使用啟發(fā)式的迭代方法，既然我們無(wú)法直接求出模型分布參數(shù)，那么我們可以先猜想隱含參數(shù)（EM算法的E步），接著基于觀察數(shù)據(jù)和猜測(cè)的隱含參數(shù)一起來(lái)極大化似然估計(jì)，求解我們的模型參數(shù)（EM算法的M步)。

由于我們之前的隱含參數(shù)是猜測(cè)的，所以此時(shí)得到的模型參數(shù)一般還不是我們想要的結(jié)果。我們基于當(dāng)前得到的模型參數(shù)，繼續(xù)猜測(cè)隱含參數(shù)（EM算法的E步），然后繼續(xù)極大化似然估計(jì)，求解我們的模型參數(shù)（EM算法的M步)。

以此類推，不斷的迭代下去，直到模型分布參數(shù)基本無(wú)變化，算法收斂，找到合適的模型參數(shù)。

畫(huà)了一個(gè)圖，感受一下：

EM聚類

EM算法在聚類的時(shí)候也是要先估計(jì)一個(gè)隱狀態(tài)，這個(gè)隱狀態(tài)也就是我們的樣本標(biāo)簽。

有了樣本標(biāo)簽之后，就可以將原來(lái)的無(wú)監(jiān)督學(xué)習(xí)轉(zhuǎn)換為監(jiān)督學(xué)習(xí)，然后通過(guò)極大似然估計(jì)法求解出模型最優(yōu)參數(shù)。

需要解釋一點(diǎn)的是，在整個(gè)過(guò)程中，隱狀態(tài)的估計(jì)需要用到EM算法。

硬聚類or軟聚類

k-means算法是通過(guò)距離來(lái)聚類的，因?yàn)榫嚯x是確定的，所以就導(dǎo)致每個(gè)樣本只能歸為一類，這叫做硬聚類。

而EM算法在聚類的過(guò)程中，每個(gè)樣本都有一定的概率和每個(gè)聚類有關(guān)，這叫做軟聚類。

通常，我們可以假設(shè)樣本符合高斯分布，因?yàn)槊總€(gè)高斯分布都屬于這個(gè)模型的組成部分，要分成K個(gè)簇就相當(dāng)于是K個(gè)組成部分。

這樣我們可以先初始化每個(gè)組成部分的高斯分布的參數(shù)，然后再來(lái)看每個(gè)樣本是屬于哪個(gè)組成部分。這就是E步驟；再通過(guò)得到的這些隱含變量結(jié)果，反過(guò)來(lái)求每個(gè)組成部分高斯分布的參數(shù)，即 M 步驟。

反復(fù)EM步驟，直到每個(gè)組成部分的高斯分布參數(shù)不變?yōu)橹?#xff0c;這樣也就相當(dāng)于將樣本按照高斯模型進(jìn)行了EM聚類。

EM 算法相當(dāng)于一個(gè)框架，我們可以采用不同的模型來(lái)進(jìn)行聚類，比如 GMM（高斯混合模型）、 HMM（隱馬爾科夫模型）來(lái)進(jìn)行聚類。

GMM通過(guò)概率密度來(lái)進(jìn)行聚類，聚成的類符合高斯分布（正態(tài)分布）。HMM用到了馬爾可夫過(guò)程，通過(guò)狀態(tài)轉(zhuǎn)移矩陣來(lái)計(jì)算狀態(tài)轉(zhuǎn)移的概率。

項(xiàng)目實(shí)戰(zhàn)

1. 準(zhǔn)備工作

如何創(chuàng)建高斯聚類呢，我們需要先了解一下高斯聚類的參數(shù)。在sklearn 中，高斯聚類可以這樣創(chuàng)建：

# 創(chuàng)建高斯聚類模型 gmm = GaussianMixture(n_components=1, covariance_type='full', max_iter=100)

解釋一下主要的參數(shù)：

• n_components：即高斯混合模型的個(gè)數(shù)，也就是我們要聚類的個(gè)數(shù)，默認(rèn)值為 1。

• covariance_type：代表協(xié)方差類型。一個(gè)高斯混合模型的分布是由均值向量和協(xié)方差矩陣決定的，所以協(xié)方差的類型也代表了不同的高斯混合模型的特征。

• max_iter：代表最大迭代次數(shù)，EM 算法是由 E 步和 M 步迭代求得最終的模型參數(shù)，這里可以指定最大迭代次數(shù)，默認(rèn)值為 100。

其中協(xié)方差類型covariance_type又四種取值，分別是：

• covariance_type=full，代表完全協(xié)方差，也就是元素都不為 0；

• covariance_type=tied，代表相同的完全協(xié)方差；

• covariance_type=diag，代表對(duì)角協(xié)方差，也就是對(duì)角不為 0，其余為 0；

• covariance_type=spherical，代表球面協(xié)方差，非對(duì)角為 0，對(duì)角完全相同，呈現(xiàn)球面的特性。

需要注意的是，聚類的個(gè)數(shù)往往是由業(yè)務(wù)決定的，比如對(duì)用戶收入進(jìn)行聚類，可以分為：高收入群體、中收入群體、低收入群體，根據(jù)用戶價(jià)值進(jìn)行聚類，可以分為：高價(jià)值用戶、中價(jià)值用戶、低價(jià)值用戶、無(wú)價(jià)值用戶等等。

當(dāng)然如果你無(wú)法確定聚類的個(gè)數(shù)，可以通過(guò)設(shè)置不同的聚類個(gè)數(shù)進(jìn)而選擇具有最優(yōu)效果的模型。

2. 了解數(shù)據(jù)

本次實(shí)戰(zhàn)我們的數(shù)據(jù)是王者榮耀的英雄屬性數(shù)據(jù)，通過(guò)對(duì)69個(gè)英雄的22個(gè)屬性數(shù)據(jù)，其中包括英雄的最大生命、生命成長(zhǎng)、最大發(fā)力、最高物攻等等，通過(guò)每個(gè)英雄之間的特征，對(duì)69個(gè)英雄進(jìn)行“人以群分，物以類聚”。

感興趣的同學(xué)可以嘗試一下最終的結(jié)果能否應(yīng)用于實(shí)際游戲中。ok，先來(lái)看看我們本次數(shù)據(jù)的整體描述：

df_ori.head(5)

再來(lái)看看各個(gè)英雄屬性的整體情況：

"""數(shù)據(jù)的EDA操作""" """ 1.數(shù)據(jù)整體描述 """ df.data=df_ori.copy() df.data.drop('英雄'，axis=1,inplace=True) #次要定位存在空值 df.data.info()

一共22個(gè)英雄屬性（不包括姓名），其中次要定位存在空值，且空值較多。再來(lái)看看數(shù)值型數(shù)據(jù)的整體分布情況：

df_data.describe()

數(shù)據(jù)分布沒(méi)有什么異常，但是應(yīng)該需要考慮進(jìn)行標(biāo)準(zhǔn)化，這個(gè)后面再說(shuō)。最大攻速字段應(yīng)該是數(shù)值型的，我們需要對(duì)其進(jìn)行處理：

df_ori.head(5)

另外，次要定位屬性缺失值太多，而且沒(méi)有有效的填充方法，直接刪掉它

# 最大攻速為百分比需要替換成數(shù)值 df_data['最大攻速'] = df_data['最大攻速'].apply(lambda str: str.replace('%', '')) # 次要定位數(shù)據(jù)無(wú)法填充，且已存在主要定位，直接刪除該字段 df_data.drop('次要定位', axis=1, inplace=True)

3. 數(shù)據(jù)探索

一共只有69數(shù)據(jù)，但是卻有22個(gè)屬性，是否存在屬性重復(fù)的情況呢？我們知道在建模過(guò)程中，重復(fù)的屬性對(duì)最終結(jié)果不會(huì)產(chǎn)生影響。所以我們可以通過(guò)關(guān)聯(lián)度分析，看一下數(shù)據(jù)之間的關(guān)聯(lián)度情況，這種方式在前面的實(shí)戰(zhàn)種很多次都用到過(guò)。

可以看到，用紅框標(biāo)出的，都是屬性之間相互關(guān)聯(lián)度特別大的，對(duì)于這些我們只需要保留其中的一種屬性即可。通過(guò)篩選，我們最終確定了13個(gè)英雄屬性

"""進(jìn)行特征選擇""" features=df_data.columns.values.tolist() duplicates_features=['生命成長(zhǎng)','最大法力','法力成長(zhǎng)','物攻成長(zhǎng)','物防成長(zhǎng)','每5秒回血成長(zhǎng)','最大每5秒回血成長(zhǎng)','每5秒回藍(lán)成長(zhǎng)'] features=features for?feature in duplicates_features:features.remove(feature) df_data=df_data[features] df_data.head()

再來(lái)看英雄屬性：攻擊范圍和主要定位，是離散型特征，直接對(duì)其進(jìn)行特征量化

"""通過(guò)標(biāo)簽編碼實(shí)現(xiàn)特征量化""" for feature in ['攻擊范圍', '主要定位']:le = preprocessing.LabelEncoder()le.fit(df_data[feature])df_data[feature]?=?le.transform(df_data[feature])

最后就是數(shù)據(jù)的規(guī)范化，直接通過(guò)Z-Score進(jìn)行數(shù)據(jù)規(guī)范

"""采用Z-Score規(guī)范化數(shù)據(jù)，保證每個(gè)特征維度的數(shù)據(jù)均值為0，方差為1""" stas = StandardScaler() df_data?=?stas.fit_transform(df_data)

4. 建模

選用我們前面提到的GMM進(jìn)行建模

# 構(gòu)造GMM聚類 gmm = GaussianMixture(n_components=30, covariance_type='full') gmm.fit(df_data)# 訓(xùn)練數(shù)據(jù) prediction?=?gmm.predict(df_data)

最終的模型聚類結(jié)果是這樣的：

#將分組結(jié)果輸出到CSV文件中 df_ori.insert(0,'分組',prediction) df_ori.sort_values('分組').head(15)

5. 總結(jié)

上面的圖中放了前20的英雄，組號(hào)相同的英雄表示屬性相近，感興趣的同學(xué)不妨在游戲中試試？

另外，聚類算法屬于無(wú)監(jiān)督的學(xué)習(xí)方式，我們并沒(méi)有實(shí)際的結(jié)果可以進(jìn)行對(duì)比來(lái)區(qū)別模型的準(zhǔn)確率。這里我們?cè)囍幂喞禂?shù)進(jìn)行模型的評(píng)分。

"""根據(jù)輪廓系數(shù)計(jì)算模型得分""" from sklearn.metrics import silhouette_score score=silhouette_score(df_data,prediction,metric='euclidean') score

最后得分0.246，也不是很高，說(shuō)明聚類的效果不是特別好，應(yīng)該還是英雄屬性的原因，例如，通過(guò)主要定位就可以對(duì)英雄就行聚類，或者通過(guò)攻擊范圍進(jìn)行聚類，但是這兩個(gè)屬性和其他屬性的結(jié)合，有時(shí)候并非是最好的，對(duì)游戲理解比較深刻的同學(xué)可以考慮一下優(yōu)化方法。

王者榮耀英雄數(shù)據(jù)集及聚類實(shí)踐代碼：https://github.com/double-point/machine_learning/tree/master/EM

往期精彩回顧適合初學(xué)者入門(mén)人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯AI基礎(chǔ)下載（pdf更新到25集）機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯本站qq群1003271085，加入微信群請(qǐng)回復(fù)“加群”獲取一折本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開(kāi)：https://t.zsxq.com/yFQV7am喜歡文章，點(diǎn)個(gè)在看

總結(jié)

以上是生活随笔為你收集整理的【机器学习入门】深入浅出聚类算法！如何对王者英雄聚类分析，探索英雄之间的秘密...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。