无监督学习

Posted 2021-04-11

我正在研究最后一年的项目，该项目必须使用无监督学习（KMeans算法）进行编码。它是从各种游戏中预测关于其认知技能水平的合适游戏。技能是专注，响应时间，记忆和注意力。

第一个问题是我找不到包含技能和游戏的正确数据集。然后我不确定如何找出集群。有没有可能找到合适的数据集以及如何对它们进行聚类的方法？

此外，如何在没有数据集的情况下进行此操作（不使用强化学习）？

提前致谢

答案

首先，我对你的问题感到困惑。但我会尽力回答我的能力。 K均值聚类是一种基于彼此数据的距离（通常为欧几里得）的无监督聚类方法。具有相似特征的数据点将具有更近的距离，然后将聚集到同一群集中。

我假设您正在尝试构建一个输出推荐游戏的算法，给出个人集中度，响应时间，记忆力和注意力技能。

第一个问题是我找不到包含技能和游戏的正确数据集。

对于数据集，您可以按字面意思构建自己的数据集，如下所示：

labels = [游戏]

特征= [浓度，响应时间，记忆，注意]

标签是一个n乘1的向量，其中n是游戏的数量。特征是一个n乘4的向量，每个技能的范围可以是1 - 5,5是最高的。然后用你最喜欢的经典游戏填充它。

例如，俄罗斯方块可以是您的第一个游戏，并将其添加到您的数据集中，如下所示：

label = [俄罗斯方块]

特征= [5,2,1,4]

在俄罗斯方块你需要大量的注意力和注意力，但你不需要很好的响应时间，因为块很慢而且你不需要记住任何东西。

然后我不确定如何找出集群。

您首先必须确定要使用的距离，例如曼哈顿，欧几里德等。然后你需要决定集群的数量。 k-means算法非常简单，只需观看以下视频即可学习：https://www.youtube.com/watch?v=_aWzGGNrcic

此外，如何在没有数据集的情况下进行此操作（不使用强化学习）？

这个问题有道理，因为首先，如果你没有数据，你怎么能将它们聚类？想象一下，你的朋友要求你把所有青苹果和红苹果分开。但他们从来没有给你任何苹果......你怎么能把它们聚集起来呢？是不可能的。

其次，在这种情况下，我不确定强化学习是什么意思。强化学习是关于环境中存在的代理，并学习如何在这种环境中最佳地表现以最大化其内部奖励。例如，一个人进入赌场并试图赚到最多钱。它与数据集无关。