ML-For-Beginners/translations/zh/5-Clustering

机器学习中的聚类模型

聚类是一种机器学习任务，旨在寻找彼此相似的对象并将它们分组到称为“聚类”的组中。与机器学习中的其他方法不同，聚类是自动进行的，实际上可以说它是监督学习的反面。

地区主题：针对尼日利亚观众音乐品味的聚类模型 🎧

尼日利亚的观众拥有多样化的音乐品味。通过从 Spotify 抓取的数据（灵感来源于这篇文章），让我们来看看尼日利亚流行的一些音乐。这份数据集包括关于各种歌曲的“舞蹈性”评分、“声学性”、响度、“语音性”、流行度和能量的相关数据。发现这些数据中的模式将会非常有趣！

图片由 Marcela Laskoski 提供，来自 Unsplash

在这一系列课程中，你将学习使用聚类技术分析数据的新方法。聚类特别适用于数据集缺乏标签的情况。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。但在需要对无标签数据进行分组的情况下，聚类是发现模式的绝佳方法。

有一些实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。

课程

1. 聚类简介
2. K-Means 聚类

致谢

这些课程由 Jen Looper 倾情创作，并由 Rishit Dagli 和 Muhammad Sakib Khan Inan 提供了有益的审阅。

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

在创建本课程时，以下 K-Means 示例提供了帮助，包括这个 鸢尾花探索、这个入门笔记本，以及这个假设的 NGO 示例。

---

免责声明：
本文档使用AI翻译服务 Co-op Translator 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。