简述机器学习与深度学习的各自优缺点_Unsupervised Machine Learning无监督学习方法简述、深度学习及强化学习...

Unsupervised Machine Learning 无监督学习方法简述 及 深度学习（Deep Learning）、强化学习（Reinforcement Learning）简介

（I）Unsupervised Machine Learning 无监督学习

无监督学习最大的特点就是没有label，最典型的方法就是聚类（Clustering），另外还有主成分分析法（Prcincipal Components Analysis，PCA）。

主成分分析法（Prcincipal Components Analysis，PCA）

主成分分析法（Prcincipal Components Analysis，PCA）主要是用来给模型降维的，之前我们提到模型中features如果太多，会导致模型出现overfitting（过度拟合）等一系列问题。

那么我们不如挑一挑，把几个有关系的features（X1,X2,X3 | X4,X5 | X6,X7,X8,X9）组一起，定义成一个新的features组合（Z1 | Z2 | Z3）,这个组合也叫composite variable，这样就实现了降维的效果。

上图左边一大堆X，经过主成分分析后，变成了右图中仅剩四个feature组（composite variable），组内的X们都是有很强统计相关关系的。

PCA不仅仅是给你做一个简单的聚类降维，还会通过特征向量（eigenvectors）和特征值（eigenvalue）将这几个composite variable根据对Y的解释力度大小进行排序，挑选，剔除。

对Y的解释力度大小（proportion of total variance in initial data）就是每个composite variable的特征值，特征向量还为其增添了方向。

PCA根据根据特征值将composite variable排序，解释力度最大的定义为th