技术文章:DedeCMS文章内容页调用文章tag标签的方法

　　技术文章:DedeCMS文章内容页调用文章tag标签的方法

　　Dede列表标签 这是任何模板都可以使用的，那么我们在模仿网站的时候经常使用列表标签，下面我们就来谈谈文章列表和图片列表软件列表和分类信息列表标签的使用，并结合div+css的一些样式规则。首先，让我们看一下文章列表标签的用法：{dede：arclist 标志='h' typeid=''行='' col='标题=''信息=''imgwidth=''imgheight='''列表类型='orderby='''关键字='''限制='0，1'}。

　　干货内容:吴恩达MachineLearning课程笔记（7）：无监督学习Ⅰ

　　终于到了我最感兴趣的无监督学习了~

　　聚类（Clustering）（第 13 章）

　　在无监督学习中，我们得到一个未标记的训练集，希望算法能够自动将其分类为密切相关的子集（或簇、簇）。实现这一点的算法是聚类。

　　一个好的聚类算法称为 K-means 算法：

　　首先，我们随机选择空间中的一个点作为聚类中心（质心）。在聚类算法的每个内部循环中，我们执行两个步骤：

　　第一步是聚类分配，即根据样本点到各个聚类中心的距离对样本点进行分类；

　　第二步，移动聚类中心（move centroid），即将原中心点移动到刚刚确定的不同聚类的平均位置。

　　在算法中，我们将K定义为簇数，训练集为\left\{ x^{(1)},x^{(2)},...,x^{(m)} \对\ } ， x^{(0)}=1 不按惯例考虑， x^{(i)}\in R^n 。

　　首先，我们随机初始化 K 个簇中心\mu_1,\mu_2,...,\mu_K\in R^n ，

　　重复{

　　对于 i=1 到 m

　　c^{(i)}:=离x^{(i)}最近的聚类中心的序号（从1到K），即选择k使得||x^{(i)}- \mu_k||^ 最少 2 个

　　对于 k=1 到 K

　　\mu_k:= 属于第 k 个簇的点 x 的平均值

　　}

　　如果有一个簇不收录任何点，我们可以选择移除簇中心，或者随机重新初始化。

　　那么，如何进行目标优化呢？

　　我们定义 \mu_{c^{(i)}} 为 x^{(i)} 所属簇的簇中心，代价函数为：

　　J(c^{(1)},...,c^{(m)},\mu_1,...,\mu_K)=\frac{1}{m}\sum_{i=1}^{ m}||x^{(i)}-\mu_{c^{(i)}}||^2 ,

　　我们称之为失真成本函数。

　　在聚类算法的第一步，聚类分配其实可以看成是优化c^{(1)},...,c^{(m)}；而移动聚类中心的第二步可以看作是优化 \mu_1,...,\mu_K 。

　　那么，如何进行随机初始化呢？显然有 K 个局部最优。

　　为此，我们不妨多试几次，

　　对于 i=1 到 100（无限次尝试）{

　　随机初始化聚类中心，运行 K-means 算法，得到 c^{(1)},...,c^{(m)},\mu_1,...,\mu_K ，计算失真函数 J

　　}

　　最后，我们选择最小化失真函数的算法。

　　但是，请注意，多次尝试对集群数量较少的情况影响较大，而对太大的 K 的优化较少。

　　最后，我们如何选择集群的数量？

　　一个值得尝试的方法叫做 Elbow 方法，它计算不同 K 的代价函数 J，画出它的关系图，并选择 J 减小开始更平缓的点。但是，并不总是可以获得明确的结果。

　　此外，还可以考虑应用程序中的下游目的来确定集群的数量。