目錄
    K-means演算法
    PCA（主成分分析）

1 K-means

1）演算法原理：
    a 選擇聚類中心
    b 迭代優化分二步
        - 針對每一個樣本劃分到所屬聚類中心
        - 針對每一個聚類，重新選取聚類中心（某一類所有點座標的平均值即為新的聚類中心）
2） 優化目標  J ：
每一個樣本到它所屬的聚類中心的距離的平方
3） 隨機初始化中心
區域性最優情況： 正確情況：
為了避免得到區域性最優值，可以多次執行演算法，每次隨機不同的聚類中心，最後在得到的眾多聚類方法中選擇一個代價最低的。

4） 選擇聚類數量
一般根據實際情況，或觀察，或肘部法則


錯題
選D

2 主成分分析（PCA）

維度減約動機：資料壓縮、資料視覺化
PCA：尋找投影子空間使投影誤差最小
降到k維，則在所有空間中利用k個向量尋找投影子空間，使投影誤差最小 1）PCA演算法
  - 預處理，均一化/特徵縮放： x —> x-u（u為所有樣本平均值）
 - 計算 協方差矩陣，利用奇異值分解 svd
  - 降維 matlab實現：     Sigma = 1/m * X'* X;
    [U, S, V] = svd(Sigma);
    U_reduce = U(:, 1:K);
    Z =X * U_reduce;
2）降維之後的還原
    U_reduce = U(:, 1:K);
    X_rec = Z * U_reduce';
3）選擇維數k
    降低緯度，保持差異性
簡便些：

錯題：