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

机器学习中的聚类模型

聚类是一项机器学习任务，它旨在寻找相似的对象并将它们归为称为簇的组。聚类与机器学习中其他方法的不同之处在于，过程是自动进行的，事实上，可以说它与监督学习正好相反。

区域主题：面向尼日利亚听众音乐口味的聚类模型 🎧

尼日利亚多样化的听众拥有多样的音乐口味。利用从 Spotify 抓取的数据（灵感来自this article），我们来看一下尼日利亚流行的一些音乐。该数据集包含有关各种歌曲的“舞曲感”评分、“原声度”、响度、“语音性”、流行度和能量等数据。发现这些数据中的模式将很有趣！

照片由 Marcela Laskoski 于 Unsplash 提供

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。当你的数据集缺少标签时，聚类尤其有用。如果数据集有标签，那么像你在之前课程中学到的分类技术可能更有用。但在你希望对无标签数据进行分组的情况下，聚类是一种发现模式的绝佳方法。

有许多有用的低代码工具可以帮助你学习如何使用聚类模型。试试用于此任务的 Azure ML

课程

1. 聚类简介
2. K-均值聚类

致谢

这些课程由🎶Jen Looper 编写，Rishit Dagli 和 Muhammad Sakib Khan Inan 提供有益的审阅。

尼日利亚歌曲 数据集来源于 Kaggle，数据抓取自 Spotify。

帮助编写本课程的有用 K-均值示例包括这份鸢尾花探索、这份入门笔记本和这份假设非政府组织示例。

---

免责声明： 本文件由 AI 翻译服务 Co-op Translator 翻译完成。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言版文件应视为权威来源。对于重要信息，建议使用专业人工翻译。我们对因使用本翻译而产生的任何误解或误释不承担责任。