机器学习中的聚类模型

聚类是一种机器学习任务，旨在寻找相似的对象并将它们分组到称为簇的组中。聚类与机器学习中的其他方法不同，因为它是自动发生的，实际上可以说它是监督学习的反面。

地区专题：为尼日利亚观众的音乐品味设计的聚类模型 🎧

尼日利亚的观众有着多样化的音乐品味。使用从Spotify抓取的数据（灵感来源于这篇文章，让我们看看尼日利亚流行的一些音乐。这个数据集包括关于各种歌曲的“舞蹈性”得分、“声学性”、响度、“演讲性”、流行度和能量的数据。发现这些数据中的模式将会很有趣！

照片由Marcela Laskoski拍摄，发布于Unsplash

在这一系列课程中，你将发现使用聚类技术分析数据的新方法。当你的数据集缺乏标签时，聚类特别有用。如果数据集有标签，那么你在之前课程中学到的分类技术可能会更有用。但在你想要对未标记的数据进行分组的情况下，聚类是发现模式的好方法。

有一些有用的低代码工具可以帮助你学习如何使用聚类模型。试试Azure ML来完成这个任务

这些课程由Jen Looper精心编写，并得到了Rishit Dagli和Muhammad Sakib Khan Inan的有益评审。

Nigerian Songs数据集来源于Kaggle，由Spotify抓取。

一些有用的K-Means示例对创建这节课提供了帮助，包括这个iris探索，这个入门笔记，以及这个假设的NGO示例。

免责声明: 本文件使用基于机器的人工智能翻译服务进行翻译。虽然我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。应将原文档视为权威来源。对于关键信息，建议使用专业人工翻译。对于因使用本翻译而引起的任何误解或误读，我们不承担任何责任。