文章目录
线性学习方法
聚类Clustering
Kmeans
随机选取K个中心，然后计算每个点与中心的距离，找最近的，然后更新中心点
HAC
如何觉得距离的个数跟kmeans不一样，切的地方不一样导致的数量会不一样。
分布表示
降维
PCA
特征先归一化，然后计算投影，选择最大的方差的
w 1 w_1 w1 与 w 2 w_2 w2是垂直的，后续也是找垂直于它们的 w 3 w_3 w3 ...看需要多少维。
w 1 w1 w1就是最大的特征向量。然后找下一个 w 2 w2 w2
基本的内容组成，直线，点，斜线，圆圈等。一个数字就能用这些进行表示：
在强度，生命力，攻击力等方面各有侧重
Matrix Factorization
元素之间有些相同的特点。
这些事情是没有人知道的。
有的是只有这种关系矩阵，如果基于这些关系推断出关系：
可以将这个进行矩阵分解，得到两个向量相乘，但是会存在那种缺失值的话，可以考虑使用梯度下降方法：
只考虑有定义的值。
就可以预测缺失的值，然后就能判断每个人对某个物体的喜好程度，填充：
该算法可以用于推荐系统。
可以考虑通过梯度下降算法硬解一下。
MF也可以用于主题分析，LSA
Manifold Learning
从立体变成2d
LLE
Laplacian Eigenmaps
t-SEN
coil-20数据
两个分布越接近越好，KL散度，对这个问题做梯度下降的。
这种相似度计算方式会维持原来的距离。
