关于无监督学习的相关介绍

无监督学习相关知识点

1 无监督学习的目标和性质

1.1 目标

无监督学习的目标：利用无标签的数据学习 数据的分布 或 数据与数据之间的关系 被称为无监督学习。

1.2 性质

无监督学习的性质：
（1） 有监督学习和无监督学习的最大区别在于数据是否有标签；
（2） 无监督学习最常应用的场景是聚类（clustering）和降维（Dimension Reduction）。

2 聚类（clustering）

聚类指的是根据数据的“相似性”将数据分为多类的过程。评估两个不同样本之间的相似性，通常使用的方法就是计算两个样本之间的“距离”。使用不同的方法计算样本间的距离会关系到聚类结果的好坏。

图1：聚类的结果表示

2.1 欧式距离

欧式距离是最常用的一种距离度量方法。计算公式表示如下：