无监督机器学习（3）

1、什么是无监督学习？

顾名思义，无监督学习是一种机器学习技术，其中模型不使用训练数据集进行监督。相反，模型本身会从给定数据中找到隐藏的模式和见解。它可以比作在学习新事物时发生在人脑中的学习。它可以定义为：

监督学习是一种机器学习，其中模型使用未标记的数据集进行训练，并允许在没有任何监督的情况下对该数据进行操作。

无监督学习不能直接应用于回归或分类问题，因为与监督学习不同，我们有输入数据但没有相应的输出数据。无监督学习的目标是找到数据集的底层结构，根据相似性对数据进行分组，并以压缩格式表示该数据集。

2、无监督学习的工作原理

下图可以理解无监督学习的工作原理：

在这里，我们采用了未标记的输入数据，这意味着它没有分类，也没有给出相应的输出。现在，这些未标记的输入数据被输入机器学习模型以对其进行训练。首先，它将解释原始数据以从数据中找到隐藏的模式，然后应用合适的算法，如 k-means 聚类、决策树等。

一旦应用了合适的算法，该算法就会根据对象之间的相似性和差异性将数据对象分组。

3、无监督学习算法的类型

无监督学习算法可以进一步分为两类问题：聚类和关联

1、聚类

聚类一般使用的是sklearn库，常用的聚类算法函数都在这个sklearn.cluster这个模块中，根据各种算法的特点，得到分类的结果以及耗费的时间也是不同的，这是由算法的特性决定的。
聚类：聚类是一种将对象分组为聚类的方法，使得具有最多相似性的对象保留在一个组中，并且与另一组的对象具有较少或没有相似性。聚类分析发现数据对象之间的共性，并根据这些共性的存在和不存在对它们进行分类。

2、关联

将原数据中用处不大或者没有用处的部分去掉，从而简化数据，让数据在判断的过程中少进行一些操作。同聚类一样，由于我们使用的是Python的库文件，所以不需要去了解降维算法的具体原理，这个是机器学习的内容而不是机器学习应用的内容，我们需要的是会用给定的库文件。

关联：关联规则是一种无监督学习方法，用于查找大型数据库中变量之间的关系。它确定在数据集中一起出现的项目集。关联规则使营销策略更加有效。例如购买 X 商品（假设是面包）的人也倾向于购买 Y（黄油/果酱）商品。关联规则的一个典型例子是市场篮子分析。

4、无监督学习算法

• K-means 聚类
• KNN（k-最近邻）
• 层次聚类
• 异常检测
• 神经网络
• 主成分分析
• 独立成分分析
• 先验算法
• 奇异值分解

5、无监督学习的优势

• 与监督学习相比，无监督学习用于更复杂的任务，因为在无监督学习中，我们没有标记的输入数据。
• 无监督学习更可取，因为与标记数据相比，它更容易获得未标记数据。

6、无监督学习的缺点

• 无监督学习本质上比监督学习更难，因为它没有相应的输出。
• 无监督学习算法的结果可能不太准确，因为输入数据没有标记，并且算法事先不知道确切的输出。