机器学习中的聚类模型

聚类（clustering）是一项机器学习任务，用于寻找类似对象并将他们分成不同的组（这些组称做“聚类”（cluster））。聚类与其它机器学习方法的不同之处在于聚类是自动进行的。事实上，我们可以说它是监督学习的对立面。

本节主题: 尼日利亚观众音乐品味的聚类模型🎧

尼日利亚多样化的观众有着多样化的音乐品味。使用从 Spotify 上抓取的数据（受到本文的启发），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、声学、响度、言语、流行度和活力的分数。从这些数据中发现一些模式（pattern）会是很有趣的事情!

Marcela Laskoski 在 Unsplash 上的照片

在本系列课程中，您将发现使用聚类技术分析数据的新方法。当数据集缺少标签的时候，聚类特别有用。如果它有标签，那么分类技术(比如您在前面的课程中所学的那些)可能会更有用。但是如果要对未标记的数据进行分组，聚类是发现模式的好方法。

这里有一些有用的低代码工具可以帮助您了解如何使用聚类模型。尝试 Azure ML for this task

课程安排

1. 介绍聚类
2. K-Means 聚类

致谢

这些课程由 Jen Looper 在 🎶 上撰写，并由 Rishit Dagli 和 Muhammad Sakib Khan Inan 进行了有帮助的评审。

尼日利亚歌曲数据集 来自 Kaggle 抓取的 Spotify 数据。

一些帮助创造了这节课程的 K-Means 例子包括:虹膜探索(iris exploration)，介绍性的笔记(introductory notebook)，和 假设非政府组织的例子(hypothetical NGO example)。