模型训练（二）

        与监督学习相比，非监督学习，泛指那些数据样本中没有Label的机器学习问题。主要的模型如下图：

1 K-Mean

        结合数据样本的特征向量，根据向量之间的相对距离，K-means算法可以把所有的样本划分为K个类别，这也是算法命名中“K”的由来。最终结果随着K值的不同结果不同划分出来的结果也不同。

        K-means的设计思想是“物以类聚”，那么可以得出，同一个类别中的向量应该足够的接近，而不同的类别向量之间的距离应该越远越好。因此，对于k-means的模型效果可以使用距离类的指标来度量，如欧式距离。

        K-means的结果没有真实意义，但是它以量化的形式，刻画了房屋之间的相似性与差异性，这个新生成的特性往往与预测标的有着更强的关联性，所以使用这个新特征参与监督学习，就有可能优化和提升模型的效果。

2  协同过滤

        从字面上可以看出其目标就是过滤出符合条件的子集，协同是方式，是指利用群体行为（全部用户与全部物品的交互历史）来实现过滤，而过滤是目的。核心思想是“相似的人倾向于喜好相似的物品集”。所以此模型一般是用来做推荐的。

        那这种相似度是如何量化的？是通过矩阵分解。给的维度是（M,N）的交互矩阵C，可以分解为U与I，U称为用户矩阵，其维度是（M,K）;而I可以看作是物品矩阵，维度为（K,N）。其中K是超参数，它是由开发人员设定的。U中的每一行可以看作是用户的embedding，刻画了用户的特征，物品中的每一列刻画了物品的特征。当他们处于同一向量空间，我们就可以使用欧式距离或者余弦夹角等方法，来计算他们向量之间的相似度。基于相似度就可以进行推荐。

3  频繁项集

        频繁项集是一种经典的数据挖掘算法，我们可以把它归类到非监督学习的范畴。频繁项集可以挖掘数据集中那些经常“成群结队”出现的数据项，并尝试在他们之间建立关联规则（Association Rules），从而为决策提供支持。

        比方说，电影（“八佰”、“金刚川”、“长津湖”）是频繁项，而（“八佰”、“金刚川”->“长津湖”）之间存在着关联关系。那么，对于看过“八佰”和“金刚川”的人，我们更倾向于判断他 / 她大概率也会喜欢“长津湖”，进而把这部电影推荐给他 / 她。