ML之UL：无监督学习Unsupervised Learning的概念、应用、经典案例之详细攻略
ML之UL：無監督學習Unsupervised Learning的概念、應用、經典案例之詳細攻略
?
?
目錄
無監督學習Unsupervised Learning的概念
無監督學習Unsupervised Learning的應用
1、關聯分析
2、聚類問題
2.1、聚類算法常見的五種分類—劃分方法(K-means/K-medoids/CLARANS)、層次方法(BIRCH/DBSCAN/CURE)
3、維度約減
無監督學習Unsupervised Learning的經典案例
1、基礎案例
?
?
參考文章：《2019中國人工智能發展報告》—清華大學中國工程院知識智能中心—201912
相關文章
ML之SL：監督學習(Supervised Learning)的簡介、應用、經典案例之詳細攻略
ML之UL：無監督學習Unsupervised Learning的概念、應用、經典案例之詳細攻略
ML之SSL：Semi-Supervised Learning半監督學習的簡介、應用、經典案例之詳細攻略???????
無監督學習Unsupervised Learning的概念
? ? ? ? ?現實生活中常常會有這樣的問題：缺乏足夠的先驗知識，因此難以人工標注類別或進行人工類別標注的成本太高。很自然地，我們希望計算機能代我們完成這些工作，或至少提供一些幫助。根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。
? ? ? ? ?跟監督學習相反，無監督學習中數據集是完全沒有標簽的，依據相似樣本在數據空間中一般距離較近這一假設，將樣本分類。常見的無監督學習算法包括：稀疏自編碼（sparse auto-encoder）、主成分分析（Principal Component Analysis, PCA）、K-Means算法（K均值算法）、DBSCAN算法（Density-Based Spatial Clustering of Applications with Noise）、最大期望算法（Expectation-Maximization algorithm, EM）等。
?
?
無監督學習Unsupervised Learning的應用
利用無監督學習可以解決的問題可以分為關聯分析、聚類問題和維度約減。
1、關聯分析
? ? ? ? ?關聯分析是指發現不同事物之間同時出現的概率。在購物籃分析中被廣泛地應用。如果發現買面包的客戶有百分之八十的概率買雞蛋，那么商家就會把雞蛋和面包放在相鄰的貨架上。
?
2、聚類問題
? ? ? ? ?聚類問題是指將相似的樣本劃分為一個簇（cluster）。與分類問題不同，聚類問題預先并不知道類別，自然訓練數據也沒有類別的標簽。
? ? ? ? ?無監督學習里典型例子是聚類。聚類的目的在于把相似的東西聚在一起，而我們并不關心這一類是什么。因此，一個聚類算法通常只需要知道如何計算相似度就可以開始工作了。
2.1、聚類算法常見的五種分類—劃分方法(K-means/K-medoids/CLARANS)、層次方法(BIRCH/DBSCAN/CURE)
? ? ? ? ?聚類算法一般有五種方法，最主要的是劃分方法和層次方法兩種。
? ? ? ? ?劃分聚類算法，通過優化評價函數把數據集分割為K個部分，它需要K作為 輸人參數。典型的分割聚類算法有K-means算法, K-medoids算法、CLARANS算法。
? ? ? ? ?層次聚類，由不同層次的分割聚類組成，層次之間的分割具有嵌套的關系。它不需要輸入參數，這是它優于分割聚類算法的一個明顯的優點，其缺點是終止條件必須具體指定。典型的分層聚類算法有BIRCH算法、DBSCAN算法和CURE算法等。
?
3、維度約減
? ? ? ? ?維度約減：顧名思義，是指減少數據維度的同時保證不丟失有意義的信息。利用特征提取方法和特征選擇方法，可以達到維度約減的效果。特征選擇是指選擇原始變量的子集。特征提取是將數據從高維度轉換到低維度。廣為熟知的主成分分析算法就是特征提取的方法。
?
?
無監督學習Unsupervised Learning的經典案例
1、基礎案例
TF之AE：AE實現TF自帶數據集AE的encoder之后decoder之前的非監督學習分類
?
?
?
?
?
?
?
?
?
總結
以上是生活随笔為你收集整理的ML之UL：无监督学习Unsupervised Learning的概念、应用、经典案例之详细攻略的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 成功解决ValueError: Shap
- 下一篇： 成功解决RuntimeWarning: