ML之UL：無監(jiān)督學(xué)習(xí)Unsupervised Learning的概念、應(yīng)用、經(jīng)典案例之詳細(xì)攻略

?

?

目錄

無監(jiān)督學(xué)習(xí)Unsupervised Learning的概念

無監(jiān)督學(xué)習(xí)Unsupervised Learning的應(yīng)用

1、關(guān)聯(lián)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(jiān)督學(xué)習(xí)Unsupervised Learning的經(jīng)典案例

1、基礎(chǔ)案例

---

?

?

參考文章：《2019中國人工智能發(fā)展報告》—清華大學(xué)中國工程院知識智能中心—201912

相關(guān)文章
ML之SL：監(jiān)督學(xué)習(xí)(Supervised Learning)的簡介、應(yīng)用、經(jīng)典案例之詳細(xì)攻略
ML之UL：無監(jiān)督學(xué)習(xí)Unsupervised Learning的概念、應(yīng)用、經(jīng)典案例之詳細(xì)攻略
ML之SSL：Semi-Supervised Learning半監(jiān)督學(xué)習(xí)的簡介、應(yīng)用、經(jīng)典案例之詳細(xì)攻略???????

無監(jiān)督學(xué)習(xí)Unsupervised Learning的概念

? ? ? ? ?現(xiàn)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(biāo)注類別或進(jìn)行人工類別標(biāo)注的成本太高。很自然地，我們希望計算機(jī)能代我們完成這些工作，或至少提供一些幫助。根據(jù)類別未知(沒有被標(biāo)記)的訓(xùn)練樣本解決模式識別中的各種問題，稱之為無監(jiān)督學(xué)習(xí)。

? ? ? ? ?跟監(jiān)督學(xué)習(xí)相反，無監(jiān)督學(xué)習(xí)中數(shù)據(jù)集是完全沒有標(biāo)簽的，依據(jù)相似樣本在數(shù)據(jù)空間中一般距離較近這一假設(shè)，將樣本分類。常見的無監(jiān)督學(xué)習(xí)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(jiān)督學(xué)習(xí)Unsupervised Learning的應(yīng)用

利用無監(jiān)督學(xué)習(xí)可以解決的問題可以分為關(guān)聯(lián)分析、聚類問題和維度約減。

1、關(guān)聯(lián)分析

? ? ? ? ?關(guān)聯(lián)分析是指發(fā)現(xiàn)不同事物之間同時出現(xiàn)的概率。在購物籃分析中被廣泛地應(yīng)用。如果發(fā)現(xiàn)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(yù)先并不知道類別，自然訓(xùn)練數(shù)據(jù)也沒有類別的標(biāo)簽。

? ? ? ? ?無監(jiān)督學(xué)習(xí)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(guān)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(yōu)化評價函數(shù)把數(shù)據(jù)集分割為K個部分，它需要K作為 輸人參數(shù)。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(guān)系。它不需要輸入?yún)?shù)，這是它優(yōu)于分割聚類算法的一個明顯的優(yōu)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(shù)據(jù)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(dá)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(shù)據(jù)從高維度轉(zhuǎn)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(jiān)督學(xué)習(xí)Unsupervised Learning的經(jīng)典案例

1、基礎(chǔ)案例

TF之AE：AE實現(xiàn)TF自帶數(shù)據(jù)集AE的encoder之后decoder之前的非監(jiān)督學(xué)習(xí)分類

?

?

?

?

?

?

?

?

?

總結(jié)

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(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。