基於模型演算法

❶ 各種RL演算法

在現代RL空間中繪制精確的，無所不包的演算法分類法真的很難，因為演算法的模塊性沒有用樹結構很好地表示。此外，為了使某些東西適合頁面並且在介紹文章鏈凳中可以合理地消化，我們必須省略相當多的更高級的材料（探索，轉移學習，元學習等）。也就是說，我們的目標是：

1. 強調深度RL演算法中最基本的設計選擇，包括學習內容和學習方法，

2. 揭示這些選擇中的權衡，

3. 並針對這些選擇將一些突出的現代演算法放入上下文中。

RL演算法中最重要的分支點之一是 agent是否可以獲得（或學習）環境模型的問題 。我們提到的環境模型，我們指的是一種預測狀態轉換和獎勵的函數。

擁有模型的主要好處是， 它允許agent 通過提前思考，查看一系列可能的選擇會發生什麼，以及明確決定其選項 來進行規劃 。然後， agent 可以將結果從提前計劃中提取到學習策略中。這種方法的一個特別著名的例子是 AlphaZero 。當這種方法有效時，與沒有模型的方法相比，它可以顯著提高樣本效率。

主要缺點是 agent通常無法獲得環境的真實模型。 如果 agent 想要在這種情況下使用模型，它必須純粹從經驗中學習模型，這會產生一些挑戰。最大的挑戰是模型中的偏差可以被 agent 利用，從而導致 agent 在學習模型方面表現良好，但在真實環境中表現得次優（或非常可怕）。模宏旦型學習從根本上來說很難，所以即使是非常努力——願意花費大量時間並對其進行計算——也無法獲得回報。

使用模型的演算法稱為 基於模型 的方法，而不使用模型的演算法稱為 無模型 。雖然無模型方法放棄了使用模型的樣本效率帶來的潛在增益，但它們往往更容易實現和調整。截至撰寫本簡介（2018年9月）時，無模型方法比基於模型的方法更受歡迎，並且得到了更廣泛的開發和測試。

RL演算法中的另一個關鍵分支點是 要學習什麼 的問題 。 通常可能的名單包括

1. 策略，無論是隨機的還是確定的，

2. 動作值函數（Q函數），

3. 值函數，

4. 和/或環境模型。

使用無模型RL表示和訓練agent有兩種主要方法：

Policy Optimization - 策略優化.  此系列中的方法將策略明確表示為 。它們直接通過性能指標 上的梯度上升來優化參數 ，或者通過最大化 的局部近似來間接地優化參數 。此優化幾乎總是以 on-policy 的方式運行，這意味著每個更新僅使用根據最新版本的策略執行時收集的數據。

策略優化通常還涉及學習on-policy值函數 的近似值 ，用於確定如何更新策略。策略優化方法的幾個例子是：

1.  A2C / A3C ，執行梯度上升以直接最大化性能，

2. 和 PPO ，其更新間接地最大化性能，通過最大化替代 目標函數 ，該函數給出保守估計 將由於更新而改變多少。

Q-Learning.  該系列中的方法學習最優動作值函數 的近似值 。通常，它們使用基於Bellman方程的目標函數。此優化幾乎總是以 off-policy 的方式運行，棚絕旅這意味著每次更新都可以使用在訓練期間的任何時間點收集的數據，無論agent在獲取數據時如何選擇探索環境。通過 和 之間的連接獲得相應的策略：Q-learning agent所採取的動作由下式給出：

                                                 

Q-learning方法的例子包括

1.  DQN ，一個大規模推出DRL領域的經典之作，

2. 和 C51 ，一種學習回報分布的變體，其期望值為 。

Trade-offs Between Policy Optimization and Q-Learning.

策略優化方法的主要優勢在於它們是原則性的，在這種意義上，你可以直接針對你想要的東西進行優化。這往往使它們穩定可靠。

相比之下，Q-learning方法僅通過訓練 來滿足自洽方程，間接優化agent性能。這種學習有很多失敗模式，因此往往不太穩定  [1] 。但是，Q-learning方法的優勢在於它們在工作時具有更高的樣本效率，因為它們可以比策略優化技術更有效地重用數據。

Interpolating Between Policy Optimization and Q-Learning.

政策優化和Q學習並不矛盾（在某些情況下，事實證明，他們是 等價的 ），並且存在一系列存在於兩個極端之間的演算法。處在這一范圍內的演算法能夠在任何一方的優勢和劣勢之間進行謹慎的權衡。 例子包括

1.  DDPG 一種同時學習確定性策略和Q函數的演算法，通過使用它們當中每一個來改進另一個，

2. 和 SAC ，一種使用隨機策略，熵正則化和一些其他技巧來穩定學習並在標准基準上得分高於DDPG的變體。

[1]  For more information about how and why Q-learning methods can fail, see 1) this classic paper by  Tsitsiklis and van Roy , 2) the (much more recent)  review by Szepesvari  (in section 4.3.2), and 3) chapter 11 of  Sutton and Barto , especially section 11.3 (on 「the deadly triad」 of function approximation, bootstrapping, and off-policy data, together causing instability in value-learning algorithms).

與無模型RL不同，基於模型的RL不存在少量易於定義的方法集群：使用模型有許多正交方法。我們舉幾個例子，但這個清單遠非詳盡無遺。 在每種情況下，可以給出或學習模型。

背景：純粹的規劃.  最基本的方法從未明確地表示策略，而是使用純 模型 技術（如 模型預測控制 （MPC））來選擇操作。在MPC中，每次agent觀察環境時，它都會計算一個相對於模型最優的 規劃 ，其中 規劃 描述了在當前之後的某個固定時間窗口內採取的所有動作。 （ 規劃 演算法可以通過使用學習值函數來考慮超出視野的未來獎勵。）然後，代理執行 規劃 的第一個動作，並立即丟棄其餘部分。它每次准備與環境交互時計算新 規劃 ，以避免使用 規劃 范圍短於預期的 規劃 中的動作。

    MBMF 的工作探討了MPC與深度RL的一些標准基準任務的學習環境模型。

專家迭代.  純粹 規劃 的直接後續涉及使用和學習策略 的明確表示。agent在模型中使用規劃演算法（如蒙特卡羅樹搜索），通過從當前策略中抽樣為該規劃生成候選動作。規劃演算法產生的動作優於單獨的策略產生的動作，因此它是相對於策略的「專家」。之後更新策略以生成更類似於規劃演算法輸出的動作。

 該  ExIt 演算法使用這種方法來訓練深層神經網路玩Hex。

  AlphaZero  是這種方法的另一個例子。

無模型方法的數據增強.  使用無模型RL演算法來訓練策略或Q函數，但是要麼1）在更新agent時增加虛構的實際經驗，要麼2） 僅 使用虛擬經驗來更新agent。

 請參閱 MBVE ，了解增加虛構實際體驗的示例。

 請參閱 世界模型 ，了解使用純粹的虛擬經驗訓練agent的例子，他們稱之為「在夢中訓練」。

將規劃循環嵌入到策略中。 另一種方法是將規劃程序直接嵌入到作為子程序的策略中——以便完整規劃成為策略的輔助信息 ——同時使用任何標準的無模型演算法訓練策略的輸出。關鍵概念是，在此框架中，策略可以學習如何以及何時使用規劃。這使得模型偏差不再成為問題，因為如果模型在某些狀態下不適合規劃，則策略可以簡單地學會忽略它。

 有關具有這種想像力的agent的例子，請參閱 I2A 。

[2].  A2C / A3C  (Asynchronous Advantage Actor-Critic): Mnih et al, 2016

[3].  PPO  (Proximal Policy Optimization): Schulman et al, 2017

[4].  TRPO  (Trust Region Policy Optimization): Schulman et al, 2015

[5].  DDPG  (Deep Deterministic Policy Gradient): Lillicrap et al, 2015

[6].  TD3  (Twin Delayed DDPG): Fujimoto et al, 2018

[7].  SAC  (Soft Actor-Critic): Haarnoja et al, 2018

[8].  DQN  (Deep Q-Networks): Mnih et al, 2013

[9].  C51  (Categorical 51-Atom DQN): Bellemare et al, 2017

[10].  QR-DQN  (Quantile Regression DQN): Dabney et al, 2017

[11].  HER  (Hindsight Experience Replay): Andrychowicz et al, 2017

[12].  World Models : Ha and Schmidhuber, 2018

[13].  I2A  (Imagination-Augmented Agents): Weber et al, 2017

[14].  MBMF  (Model-Based RL with Model-Free Fine-Tuning): Nagabandi et al, 2017

[15].  MBVE  (Model-Based Value Expansion): Feinberg et al, 2018

[16].  AlphaZero : Silver et al, 2017

❷ 討論人口模型與追擊問題模型的優缺點與適用場景

優點有:
1、建立的模型能與實際緊密聯系，結合實際情況對所提出的問題進行求解，使模型更貼近實際，通用性、推廣性較強。
2、基於模型演算法新穎，且計算方便。基於模型考慮相對全面，模擬結果合理性較強;基於運算元和的評價模型比較精確，得到的因素權重可信度比較高。
3、可視化界面形象逼真，操作簡便，便於推廣。
4、個模型通過對實型則空驗數據的分析不僅使問題得到了一定程度上的解決，而且還能迅速掌握了實驗數據的特點為建立更合理的模型提供了參考經驗。
5、模型對於數據分布及樣本量、指標多少無嚴格限制，既適於小樣本資料，也適於多評價單元、多指標的大系統，較卜瞎為靈活、方便。
6、模型..可操作性強，適用范圍廣泛，基於可能度模型比較精準，得到的因素權重可信度比較高。模型安排方案具體，在模型的基礎上進一步細分，提出了較為精細的方案。模型提出了一個通用指標，可廣泛應用於其它領域。
7、模型可靠性高，所採用的研究方法移植性強，但所求得的估計值可能存在一定偏差。模型對函數的構思存在一定的獨到之處，弓I入了非線性規劃,但是模型檢驗方式較為復雜。缺點盯茄有：
8、基於的預測模型運算過程比較麻煩，數據多，運算過程龐大，編程以及程序運行耗時比較多。
9、基幹模型中的參數確定的(模糊性)決定了其推廣的相對難度，需要經過更加專業的處理。
10、制定過程中的隨機因素較多，使得模型不能將其准確地反應出來。適用場景於動物種群數量的建模當中。

❸ 波阻抗反演方法

最基本的反演方法可以分為基於道的反演方法和基於模型的方法（姚逢昌等，2000）。基於道的演算法是最早研究的波阻抗反演方法，包括基於遞歸或道積分的演算法。這些方法中地震道是唯一的輸入，因而計算簡單且速度很快，但是其結果局限於地震數據帶寬的范圍內，因為隱含的子波沒有被消除，調諧和子波旁瓣效應沒有降低，因而其使用具有很大的局限性。基於模型的波阻抗方法實際上就是以測井資料特別是聲阻抗資料（一般從密度及速度測井資料獲得）作為約束，以地質模型為基礎，通過不斷修改模型，使模型正演合成的地震資料與地震數據最佳匹配，所修改的最終模型就是反演結果。常見的基於模型的反演演算法主要分為下述幾種。

（1）地層或塊的反演

這種演算法假定地層是由波阻抗和時間構成的層塊結構，通過褶積模型與地震建立聯系。通過限制與地震樣點數目相關的層的數目來抵消非唯一性。當地層變得薄於地震解析度時，反演結果變得不唯一，為了降低這種多解性，通常以初始模型來作為約束。

（2）稀疏脈沖反演

這種演算法假設地震反射系數序列是稀疏的，將地震道數據樣點進行重新采樣而得到少於地震道樣點數目的反射系數序列，與塊反演相同的是通過褶積模型來與地震相聯系，並且也可使用外部模型作為約束並用於恢復高頻及低頻成分，因此稀疏脈沖反演也是寬頻的。

（3）最小平方反演

這種方法也是建立一個初始模型並使反演結果最大限度地逼近初始模型，同樣可作地震頻譜以外的頻率補償，因而也是寬頻的。

（4）地質統計學反演

這是一種全新的方法，該方法首先在地震時間域內建立儲層的地質模型，然後建立三維地層網格，利用井和地震數據來確定地質統計學參數，進行地質統計學建模，將生成的可能的波阻抗與地震道進行比較。在地質統計反演中，當產生井間的儲層參數的估算值時，模擬演算法同時滿足井和地震數據。利用井控和地質控制對波阻抗空間分布的影響，地質統計反演提供了一種強有力的從地震頻帶以外獲得信息的方法。

（5）非線性反演

非線性反演方法是近年興起的實用性較強、效果較好的一種反演方法，在這里作較為詳細的介紹。

常用的波阻抗反演方法大多基於模型反演，即首先根據地質和測井等實際信息建立反演的初始模型，然後將模型正演計算得到的地震記錄與實際觀測得到的地震記錄進行比較，用偏差反復修改模型，當偏差很小時，認為當前的模型即為反演結果。模型反演又分為線性反演與非線性反演兩種，以模型為基礎的反演方法大都基於線性褶積的思想。

由於實際地震記錄是帶限的，並不可避免地含有噪音，又由於該類方法涉及到諸如地震子波的不確定性、噪音干擾及層位標定不準等問題，在求解反問題中，還不能完全保證反演條件的最優化，使計算得到的波阻抗剖面帶有多解性，阻礙了反演的大量使用及對反演結果的正確認識。對非線性反演的研究已經經歷了多年，從方法上研究的非線性反演有模擬退火法、遺傳演算法、人工神經網路法和混沌演算法等，這些方法在國內石油地球物理勘探中已經見到了明顯的效果，其反演結果大多優於以褶積模型為基礎的線性反演方法，具體表現在能進一步提高反演的縱向解析度，與井的匹配最好，但都有一個共同的缺點，就是運行時間很長，還不能完全大批量處理二維地震資料及三維數據體。

針對線性反演與非線性反演存在的問題，筆者採用改進的約束模擬退火反演方法，在提高反演解析度的同時又提高了處理效率。

在地震約束反演演算法中，一般是由已知井給出屬性參數的初始值，當由井外推時，將初始值合成地震記錄，求其與實際地震信號的差值，然後由此差值計算初始值的修改值，經過反復迭代計算使其差值達到極小，則由最終的修改結果獲得相應的屬性參數。以上迭代計算屬極小值的最優化問題，對此一般採用線性梯度法，而在地震反演中目標函數與模型之間的關系往往是高度非線性的，因而線性演算法就很難得到最優解。常規的線性優化法得到的最終結果對初始值依賴很大，當鑽井很少或井位偏開一定距離時，初始模型與實際模型相差較大，反演結果往往只能得到局部最優解，導致反演結果不理想。

在川東南地區地震反演中使用了新的模擬退火改進演算法能克服上述缺點，獲得全局最優解，並且比一般模擬退火演算法優化的速度快、效率高，對約束的條件要求不嚴格，只要給出反演參數的取值范圍，即可利用測井和地震資料形成合理的初始模型，這對於鑽井資料較少的地震工區是比較合適的，下面簡要介紹其方法原理。

設合成記錄的理論正演記錄為

y=f（m）

實際信號d與理論值f（m）之誤差為：

復雜儲層識別及預測

設e（m）符合Gauss分布，則期望值為零，設C_e為協方差矩陣，則有如下條件的概率密度函數：

復雜儲層識別及預測

上式中，A₁為非負常數，e^T為誤差e的轉置。將（5.1）式代入得

復雜儲層識別及預測

設用先驗信息形成的初始模型為m。當採用Gauss分布時，其先驗概率密度函數為：

復雜儲層識別及預測

上式中，A₂為非負常數，C_m為協方差矩陣，m₀為初始模型。根據Gages公式，已知實際資料d時，m的後驗概率密度函數為：

復雜儲層識別及預測

式中P（y）與m無關，可取常數，將（5.1）、（5.2）兩式代入（5.4）式中，得：

復雜儲層識別及預測

在模擬退火中，（5.5）式還有如下定義，即

復雜儲層識別及預測

其中A為非負的常數，S（m）為反演誤差的目標函數，T為溫度參數，由（5.5）（、5.6）式，可得目標函數：

復雜儲層識別及預測

在模擬退火中採用使後驗概率密度值最大化估計最優化解，這就等於使目標函數S（m）出現極小值，或相當於溫度參數T的減小，即不斷「降溫」或「退火」。在這一過程中對解空間進行隨機搜索，從而獲得目標函數全局極小所對應的最優解。同時，對突破局部極小加以限制，引入接受函數：

復雜儲層識別及預測

式中△S是相鄰兩次迭代的目標函數增量，令

復雜儲層識別及預測

對屬性參數的反演處理中，以時間平均方程作為密度、孔隙度、速度與波阻抗的橋梁，由目標函數可得反演的屬性參數。

❹ 強化學習分為基於模型和基於無模型的強化學習方法，各解決什麼類型的強化學習問題，有具體例子嗎

所示是強化學習演算法的成功案例。其中的A圖為典型的非線性二級擺系統。該系統由一個台車（黑體矩形表示）和兩個擺（紅色擺桿）組成，可控制的輸入為台車的左右運動，該系統的目的是讓兩級擺穩定在悔塵豎直位置。兩級擺問題是非線性系統的經典問題，在控制系統理論中，解決該問題的基本思路是先對兩級擺系統建立精確的動力學模型，然後基於模型和各種非線性的理論設計控制方法。一般來說，這個過程非常復雜改弊，需要深厚的非線性控制理論的知識。而且，在建模的時候需要知道台車和擺的質量，擺的長度等等。基於強化學習的方法則不需要建模也不需要設計控制器，只需要構建一個強化學習演算法，讓二級擺系統自己去學習就可以了。當學習訓練結束後，二級擺系統便可以實現自平衡。圖1.1中的B圖是訓練好的AlphaGo與柯潔對戰的第二局棋，C圖則為機器人在模擬環境下自己學會了從摔倒的狀態爬起來。這三個例子能很好地說明，強化學習演算法在不同的領域能夠取得令人驚艷的結果。當然，強化學習除了應用到非線性控制、下棋、機器人等方向，核前族還可以應用到其他領域，如視頻游戲、人機對話、無人駕駛、機器翻譯、文本序列預測等。

❺ 探索者怎麼計算支架

探索者可以使用一種叫做「支架計算」的升蔽演算法來計算支架。支架計算是一種基於模型的演算法，它可以幫助吵襲州探索者快速准確地計算支架的位置禪局和形狀。

❻ 數據挖掘干貨總結（四）--聚類演算法

本文共計2680字，預計閱讀時長七分鍾

聚類演算法

 

一 、 本質

將數據劃分到不同的類里，使相似的數據在同一類里，不相似的數據在不同類里

 

二 、 分類演算法用來解決什麼問題

文本聚類、圖像聚類和商品聚類，便於發現規律，以解決數據稀疏問題

三 、 聚類演算法基礎知識

1. 層次聚類 vs 非層次聚類

– 不同類之間有無包含關系

2. 硬聚類 vs 軟聚類

– 硬聚類：每個對象只屬於一個類

– 軟聚類：每個對象以某個概率屬於每個類

3. 用向量表示對象

– 每個對象用一個向量表示，可以視為高維空間的一個點

– 所有對象形成數據空間（矩陣）

– 相似度計算：Cosine、點積、質心距離

4. 用矩陣列出對象之間的距離、相似度

5. 用字典保存上述矩陣（節省空間）

    D={(1,1):0,(1,2):2,(1,3):6...(5,5):0}

6. 評價方法

– 內部評價法（Internal Evalution）：

• 沒有外部標准，非監督式

• 同類是否相似，跨類是否相異

DB值越小聚類效果越好，反之，越不好

– 外部評價法（External Evalution）：

• 准確度（accuracy）: (C11+C22) / (C11 + C12 + C21 + C22)

• 精度（Precision）: C11 / (C11 + C21 )

• 召回（Recall）: C11 / (C11 + C12 )

• F值（F-measure）：

β表示對精度P的重視程度，越大越重視，默認設置為1，即變成了F值，F較高時則能說明聚類效果較好。

四 、 有哪些聚類演算法

主要分為 層次化聚類演算法 ， 劃分式聚類演算法 ， 基於密度的聚類演算法 ， 基於網格的聚類演算法 ， 基於模型的聚類演算法等 。

4.1 層次化聚類演算法

又稱樹聚類演算法，透過一種層次架構方式，反復將數據進行分裂或聚合。典型的有BIRCH演算法，CURE演算法，CHAMELEON演算法，Sequence data rough clustering演算法,Between groups average演算法,Furthest neighbor演算法,Neares neighbor演算法等。

凝聚型層次聚類 ：

先將每個對象作為一個簇，然後合並這些原子簇為越來越大的簇，直到所有對象都在一個簇中，或者某個終結條件被滿足。

演算法流程：

1. 將每個對象看作一類，計算兩兩之間的最小距離；

2. 將距離最小的兩個類合並成一個新類；

3. 重新計算新類與所有類之間的距離；

4. 重復2、3，直到所有類最後合並成一類。

特點：

1. 演算法簡單

2. 層次用於概念聚類（生成概念、文檔層次樹）

3. 聚類對象的兩種表示法都適用

4. 處理大小不同的簇

5. 簇選取步驟在樹狀圖生成之後

4.2 劃分式聚類演算法

預先指定聚類數目或聚類中心，反復迭代逐步降低目標函數誤差值直至收斂，得到最終結果。K-means,K-modes-Huang,K-means-CP,MDS_CLUSTER, Feature weighted fuzzy clustering，CLARANS等

經典K-means：

演算法流程：

1. 隨機地選擇k個對象，每個對象初始地代表了一個簇的中心；

2. 對剩餘的每個對象，根據其與各簇中心的距離，將它賦給最近的簇；

3. 重新計算每個簇的平均值，更新為新的簇中心；

4. 不斷重復2、3，直到准則函數收斂。

特點：

1.K的選擇

2.中心點的選擇

– 隨機

– 多輪隨機：選擇最小的WCSS

3.優點

– 演算法簡單、有效

– 時間復雜度：O(nkt)

4.缺點

– 不適於處理球面數據

– 密度、大小不同的聚類，受K的限制，難於發現自然的聚類

4.3 基於模型的聚類演算法

為每簇假定了一個模型，尋找數據對給定模型的最佳擬合，同一」類「的數據屬於同一種概率分布，即假設數據是根據潛在的概率分布生成的。主要有基於統計學模型的方法和基於神經網路模型的方法，尤其以基於概率模型的方法居多。一個基於模型的演算法可能通過構建反應數據點空間分布的密度函數來定位聚類。基於模型的聚類試圖優化給定的數據和某些數據模型之間的適應性。

SOM 神經網路演算法 ：

該演算法假設在輸入對象中存在一些拓撲結構或順序，可以實現從輸入空間(n維)到輸出平面(2維)的降維映射，其映射具有拓撲特徵保持性質,與實際的大腦處理有很強的理論聯系。

SOM網路包含輸入層和輸出層。輸入層對應一個高維的輸入向量，輸出層由一系列組織在2維網格上的有序節點構成，輸入節點與輸出節點通過權重向量連接。學習過程中，找到與之距離最短的輸出層單元，即獲勝單元，對其更新。同時，將鄰近區域的權值更新，使輸出節點保持輸入向量的拓撲特徵。

演算法流程：

1. 網路初始化，對輸出層每個節點權重賦初值；

2. 將輸入樣本中隨機選取輸入向量，找到與輸入向量距離最小的權重向量；

3. 定義獲勝單元，在獲勝單元的鄰近區域調整權重使其向輸入向量靠攏；

4. 提供新樣本、進行訓練；

5. 收縮鄰域半徑、減小學習率、重復，直到小於允許值，輸出聚類結果。

4.4 基於密度聚類演算法

只要鄰近區域的密度（對象或數據點的數目）超過某個閾值，就繼續聚類，擅於解決不規則形狀的聚類問題，廣泛應用於空間信息處理,SGC,GCHL，DBSCAN演算法、OPTICS演算法、DENCLUE演算法。

DBSCAN：

對於集中區域效果較好，為了發現任意形狀的簇，這類方法將簇看做是數據空間中被低密度區域分割開的稠密對象區域；一種基於高密度連通區域的基於密度的聚類方法，該演算法將具有足夠高密度的區域劃分為簇，並在具有雜訊的空間數據中發現任意形狀的簇。

4.5 基於網格的聚類演算法

    基於網格的方法把對象空間量化為有限數目的單元，形成一個網格結構。所有的聚類操作都在這個網格結構（即量化空間）上進行。這種方法的主要優點是它的處理 速度很快，其處理速度獨立於數據對象的數目，只與量化空間中每一維的單元數目有關。但這種演算法效率的提高是以聚類結果的精確性為代價的。經常與基於密度的演算法結合使用。代表演算法有STING演算法、CLIQUE演算法、WAVE-CLUSTER演算法等。 

❼ model-free和model-based的區別

1. model-free是指在訓練中沒有任何的先驗的外觀或者形狀等模型。

2. model-based是基於嫌清人為的外觀等模型。

3. 一般來說，model-free沒有model-based運用廣泛。

4. 基於模型的設計是一種用數字化和可視化的方法來解決問題和設計相關復雜控制的演算法,是一種信號處理和通信系統。它被廣泛應用在許多動向控制、工業設備、航空航天和汽車應用領域。基於模型的設計方法應用於嵌入式軟體設計。
   

❽ 聚類演算法有哪些分類

聚類演算法的分類有：

1、劃分法

劃分法(partitioning methods)，給定一個有N個元組或者紀錄的數據集，分裂法將構造K個分組，每一個分組就代表一個聚類，K小於N。而且這K個分組滿足下列條件：

（1） 每一個分組至少包含一個數據紀錄；

（2）每一個數據紀錄屬於且僅屬於一個分組（注意：這個要求在某些模糊聚類演算法中可以放寬）；

2、層次法

層次法(hierarchical methods)，這種方法對給定的數據集進行層次似的分解，直到某種條件滿足為止。具體又可分為「自底向上」和「自頂向下」兩種方案。

例如，在「自底向上」方案中，初始時每一個數據紀錄都組成一個單獨的組，在接下來的迭代中，它把那些相互鄰近的組合並成一個組，直到所有的記錄組成一個分組或者某個條件滿足為止。

3、密度演算法

基於密度的方法(density-based methods)，基於密度的方法與其它方法的一個根本區別是：它不是基於各種各樣的距離的，而是基於密度的。這樣就能克服基於距離的演算法只能發現「類圓形」的聚類的缺點。

4、圖論聚類法

圖論聚類方法解決的第一步是建立與問題相適應的圖，圖的節點對應於被分析數據的最小單元，圖的邊（或弧）對應於最小處理單元數據之間的相似性度量。因此，每一個最小處理單元數據之間都會有一個度量表達，這就確保了數據的局部特性比較易於處理。圖論聚類法是以樣本數據的局域連接特徵作為聚類的主要信息源，因而其主要優點是易於處理局部數據的特性。

5、網格演算法

基於網格的方法(grid-based methods)，這種方法首先將數據空間劃分成為有限個單元（cell）的網格結構,所有的處理都是以單個的單元為對象的。這么處理的一個突出的優點就是處理速度很快，通常這是與目標資料庫中記錄的個數無關的，它只與把數據空間分為多少個單元有關。

代表演算法有：STING演算法、CLIQUE演算法、WAVE-CLUSTER演算法；

6、模型演算法

基於模型的方法(model-based methods)，基於模型的方法給每一個聚類假定一個模型，然後去尋找能夠很好的滿足這個模型的數據集。這樣一個模型可能是數據點在空間中的密度分布函數或者其它。它的一個潛在的假定就是：目標數據集是由一系列的概率分布所決定的。

通常有兩種嘗試方向：統計的方案和神經網路的方案。

(8)基於模型演算法擴展閱讀：

聚類演算法的要求：

1、可伸縮性

許多聚類演算法在小於 200 個數據對象的小數據集合上工作得很好；但是，一個大規模資料庫可能包含幾百萬個對象，在這樣的大數據集合樣本上進行聚類可能會導致有偏的結果。

我們需要具有高度可伸縮性的聚類演算法。

2、不同屬性

許多演算法被設計用來聚類數值類型的數據。但是，應用可能要求聚類其他類型的數據，如二元類型(binary)，分類/標稱類型（categorical/nominal），序數型（ordinal）數據，或者這些數據類型的混合。

3、任意形狀

許多聚類演算法基於歐幾里得或者曼哈頓距離度量來決定聚類。基於這樣的距離度量的演算法趨向於發現具有相近尺度和密度的球狀簇。但是，一個簇可能是任意形狀的。提出能發現任意形狀簇的演算法是很重要的。

4、領域最小化

許多聚類演算法在聚類分析中要求用戶輸入一定的參數，例如希望產生的簇的數目。聚類結果對於輸入參數十分敏感。參數通常很難確定，特別是對於包含高維對象的數據集來說。這樣不僅加重了用戶的負擔，也使得聚類的質量難以控制。

5、處理「雜訊」

絕大多數現實中的資料庫都包含了孤立點，缺失，或者錯誤的數據。一些聚類演算法對於這樣的數據敏感，可能導致低質量的聚類結果。

6、記錄順序

一些聚類演算法對於輸入數據的順序是敏感的。例如，同一個數據集合，當以不同的順序交給同一個演算法時，可能生成差別很大的聚類結果。開發對數據輸入順序不敏感的演算法具有重要的意義。

❾ 什麼叫基於模型的推薦演算法

模型是一個或者一系列的數學表達式，用來描述所要解決的問題。演算法是解決這個模型，也就是這些表達式的具體過程，常常結合編程解決。