Séance de cours
Évaluation de la qualité du clustering
Dans cours
DEMO: est consequat nostrud irure
Aute cillum proident eu consectetur incididunt ad deserunt deserunt tempor duis. Nisi et adipisicing eiusmod ut duis dolore proident. Dolore incididunt dolor velit consectetur officia ex. Lorem cillum ut nulla mollit. Qui nulla magna irure anim minim qui. Nisi duis reprehenderit dolor sint culpa fugiat ut velit cupidatat velit.
Description
Cette séance de cours explique comment évaluer la qualité des grappes en utilisant le coefficient de silhouette, qui mesure la façon dont les points de données s'intègrent dans leurs grappes et comment les grappes sont séparées. L'instructeur discute également d'autres mesures pour l'évaluation des grappes, telles que la séparation des grappes, l'homogénéité et la représentation des données.
Enseignant
eiusmod sit
Mollit cupidatat duis laboris consectetur veniam in velit ipsum nostrud. Aute consectetur fugiat nostrud aliquip ea magna nulla consectetur fugiat pariatur anim et labore. Pariatur amet pariatur in commodo incididunt. Veniam excepteur laborum cillum ad incididunt nulla. Voluptate incididunt laboris ea aliquip. Lorem eu exercitation minim ex culpa officia et proident ullamco aute magna et ipsum.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (33)
Clustering: Apprentissage sans supervision
Couvre les algorithmes de regroupement, les méthodes d'évaluation et les applications pratiques dans l'apprentissage automatique.
Groupement : moyenne en k
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Physique statistique des grappes
Explore la physique statistique des clusters, en se concentrant sur la complexité et le comportement d'équilibre.
K-Means Clustering : bases et applications
Présentation de K-Means Clustering, un algorithme simple mais efficace pour regrouper des points de données en clusters.
Prédire les précipitations: Miniprojet BIO-322
Introduit un mini-projet où les étudiants prédisent les précipitations à Pully en utilisant l'apprentissage automatique, en mettant l'accent sur la reproductibilité et la qualité du code.