🧠

AI 表情观察员 K-means 实验室

从表情预测比例到聚类分析

📖 论文公开数据 · 6条
DATA EXPLORATION

认识数据

认识一条记录对应什么数据,再开始聚类。

任务一 · 学生思路搭建

计算机是怎样一步步把学习记录分组的?

参照课堂流程图的表达方式,先用自己的判断搭建一条完整的 K-means 算法路径,再填写关键参数。不要直接点击“自动运行”,让算法步骤先经过你的思考。

探究问题六条学习记录都没有预先给定类别。怎样让计算机按照相似程度分组,并在中心变化时重新调整?
拖拽流程卡 → 放进虚线框平板可先点流程卡 → 再点虚线框每张卡只使用一次

01 · 搭建K-means算法流程图

同样的逻辑,也可以画成纸笔流程图
开始
STEP 01拖入第一步
STEP 02拖入第二步
STEP 03拖入第三步
拖入判断条件
是:继续迭代 ↰
否:停止 ↓
结束 · 输出分组

02 · 从这些步骤卡中选择

含2张干扰卡

将正确的四张卡按顺序放入流程图。鼠标可以拖拽;在平板上也可以点击一张卡,再点击目标虚线框。

03 · 填写本次课堂实验的关键证据

以论文公开的S01—S06六条记录为例;使用愤怒、难过两列,初始中心A选S01、B选S03。

科学提示:K=2是本次用于学习算法的设定,不代表最优簇数。学完六维聚类后,还需要比较不同K值的SSE,使用肘部法评价。
尚未检查。请完成四个流程步骤和五项关键填写。
任务一 · 从视频到表情比例
配套40分钟PPT · 先预测 → 再操作 → 取证解释
先回顾:从有效帧得到的表情比例,如何成为聚类的输入数据?
01数据准备
02二维测距与迭代
03六维迁移
04表情模式分析卡
05肘部法评价

🔬 聚类可视化实验

6条真实记录 · 愤怒 × 难过二维距离计算
未分组A组B组◆ 质心
样本数量6
已完成分组轮次0
簇内平方和 SSE—
算法状态未初始化

先观察散点,试着人工分组;再点击“初始化中心”开始计算机实验。

📌 实验关键证据

归组规则:距离哪个中心近,就分到哪一组
选择点 S05,再初始化中心,可以查看到两个中心的实际距离。