Machine learning 无监督学习

我正在做最后一年的项目，该项目必须使用无监督学习（KMeans算法）进行编码。这是为了从各种游戏中预测出一个适合他们认知技能水平的游戏。这些技能包括注意力、反应时间、记忆和注意力

第一个问题是我找不到包含技能和游戏的适当数据集。那么我不确定如何找到集群。有没有可能找到合适的数据集以及如何对它们进行聚类

此外，如果没有数据集（不使用强化学习），我如何做到这一点

---

首先，我对你的问题有些困惑。但我会尽我最大的努力回答。K-means聚类是一种基于数据之间的距离（通常是欧几里得距离）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，然后将聚集到同一簇中

我假设您正在尝试构建一个算法，在给定个人注意力、反应时间、记忆和注意力技能的情况下，输出推荐的游戏

第一个问题是我找不到包含技能和游戏的适当数据集

对于数据集，您可以直接构建自己的数据集，如下所示：

标签=[游戏]

特征=[注意力、反应时间、记忆、注意力]

标签是一个n乘1的向量，其中n是游戏数。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款游戏，您可以将其添加到数据集中，如下所示：

标签=[俄罗斯方块]

特征=[5,2,1,4]

在俄罗斯方块中，你需要集中注意力，但你不需要很好的反应时间，因为方块速度慢，你不需要记住任何东西

那么我不确定如何找到集群

首先必须确定要使用的距离，例如曼哈顿距离、欧几里德距离等。然后需要确定簇的数量。k-means算法非常简单，只需观看以下视频即可学习：

此外，如果没有数据集（不使用强化学习），我如何做到这一点

这个问题很有意义，因为首先，如果没有数据，如何对它们进行集群？想象一下，你的朋友让你把所有的青苹果和红苹果分开。但是他们从来没有给过你任何苹果。。。你怎么可能把它们聚在一起？这是不可能的

---

第二，我不知道在这种情况下，强化学习是什么意思。强化学习是关于一个存在于环境中的代理，学习如何在这个环境中表现最佳，以最大化其内部回报。例如，一个人走进一家赌场，试图赚最多的钱。这与数据集无关。

请务必阅读，对不起，我不明白我的问题出了什么问题！！！非常感谢你。你的回答真的救了我。再次非常感谢你。