无监督机器学习： Algorithms、类型及示例

什么是无监督学习？

无监督学习 是一种机器学习技术，用户无需监督模型。相反，它允许模型自行工作以发现以前未被发现的模式和信息。它主要处理未标记的数据。

无监督学习 Algorithms

无监督学习 Algorithms 与监督学习相比，无监督学习允许用户执行更复杂的处理任务。尽管如此，与其他自然学习方法相比，无监督学习可能更加难以预测。无监督学习算法包括聚类、异常检测、神经网络等。

无监督机器学习的例子

让我们以一个婴儿和她的家犬为例来说明无监督学习。

她认识这只狗，也认出了它。几周后，一位家庭朋友带着一只狗过来，试图和婴儿玩耍。

宝宝以前没有见过这只狗。但它认识到许多特征（两只耳朵、眼睛、用四条腿走路）都像她的宠物狗。她把这只新动物认成了狗。这是无监督学习，你不会被教导，而是从数据中学习（在这种情况下是关于狗的数据）。如果这是监督学习，家庭朋友就会告诉婴儿，这是一只狗，如上面的无监督学习示例所示。

为什么要进行无监督学习？

以下是在以下领域使用无监督学习的主要原因：机器学习:

无监督机器学习可以在数据中发现各种未知模式。
无监督方法可以帮助您找到可用于分类的特征。
它是实时进行的，因此所有输入数据都要在学习者面前进行分析和标记。
从计算机获取未标记的数据比获取需要人工干预的标记数据更容易。

Cluster无监督学习的类型 Algorithms

以下是无监督机器学习算法的聚类类型：

无监督学习问题进一步分为聚类和关联问题。

Cluster博士开发的技术萃取的

Cluster分类是无监督学习的一个重要概念。它主要涉及在一组未分类的数据中寻找结构或模式。无监督学习 Cluster算法将处理您的数据并找到自然聚类（组）（如果它们存在于数据中）。您还可以修改算法应识别的聚类数量。它允许您调整这些组的粒度。

你可以利用不同类型的聚类：

独占（分区）

在这种聚类方法中，数据以这样的方式分组：一个数据只能属于一个聚类。

示例：K 均值

集聚的

在这种聚类技术中，每个数据都是一个簇。两个最近的簇之间的迭代联合减少了簇的数量。

示例：层次聚类

重叠

在该技术中，模糊集用于对数据进行聚类。每个点可能属于两个或多个具有不同隶属度的聚类。

在这里，数据将与适当的成员值相关联。示例：模糊 C 均值

概率论

该技术使用概率分布来创建聚类

示例：关注关键字

“男人的鞋。”
“女鞋。”
“女士手套。”
“男士手套。”

可以聚类为“鞋”和“手套”或“男人”和“女人”两类。

Cluster类型

以下是机器学习的聚类类型：

层次聚类
K均值聚类
K-NN（k 个最近邻居）
主成分分析
奇异值分解
独立成分分析

分级 Cluster博士开发的技术萃取的

层次聚类是一种构建聚类层次结构的算法。它从分配给自己一个聚类的所有数据开始。在这里，两个相近的聚类将位于同一个聚类中。当只剩下一个聚类时，该算法结束。

K均值 Cluster博士开发的技术萃取的

K 表示它是一种迭代聚类算法，可帮助您在每次迭代中找到最高值。最初，选择所需的聚类数。在此聚类方法中，您需要将数据点聚类为 k 个组。k 越大意味着组越小，粒度越细。k 越小意味着组越大，粒度越细。

该算法的输出是一组“标签”。它将数据点分配给 k 个组中的一个。在 k 均值聚类中，每个组都是通过为每个组创建一个质心来定义的。质心就像聚类的心脏，它捕获最接近它们的点并将它们添加到聚类中。

K均值聚类进一步定义了两个子组：

凝聚聚类
树状图

凝聚聚类

这种 K 均值聚类从固定数量的聚类开始。它将所有数据分配到精确数量的聚类中。这种聚类方法不需要聚类数量 K 作为输入。聚集过程从将每个数据形成为单个聚类开始。

该方法使用某种距离度量，通过合并过程减少簇的数量（每次迭代一个）。最后，我们得到一个包含所有对象的大簇。

树状图

在树状图聚类方法中，每个级别将代表一个可能的聚类。树状图的高度显示了两个连接聚类之间的相似程度。越接近底部，它们就越相似，这是从树状图中发现的组，这并不自然，而且大多是主观的。

K最近邻

K 近邻是所有机器学习分类器中最简单的。它与其他机器学习技术不同，因为它不生成模型。它是一种简单的算法，可存储所有可用案例并根据相似性度量对新实例进行分类。

当样本之间存在距离时，该方法非常有效。当训练集很大时，学习速度会很慢，并且距离计算并不简单。

主成分分析

如果你想要一个更高维度的空间。你需要为该空间选择一个基础，并且只选择该基础的 200 个最重要的分数。这个基础被称为主成分。你选择的子集构成了一个新空间，与原始空间相比，其规模较小。它尽可能地保持数据的复杂性。

社区

关联规则允许您在大型数据库中的数据对象之间建立关联。这种无监督技术旨在发现大型数据库中变量之间的有趣关系。例如，购买新房的人最有可能购买新家具。

其他例子：

根据基因表达测量结果对癌症患者进行分组
根据浏览和购买历史对购物者进行分组
根据电影观众的评分对电影进行分组

监督式机器学习与无监督式机器学习

以下是两者之间的主要区别监督学习与无监督学习:

参数	监督机器学习技术	无监督机器学习技术
输入数据	Algorithms 使用标记数据进行训练。	Algorithms 用于未标记的数据
计算复杂度	监督学习是一种更简单的方法。	无监督学习在计算上很复杂
准确性	高度准确且值得信赖的方法。	Less 准确、值得信赖的方法。

无监督机器学习的应用

无监督学习技术的一些应用包括：

Cluster根据相似性自动将数据集分成几组
异常检测可以发现数据集中的异常数据点。它对于发现欺诈交易很有用
关联挖掘可识别数据集中经常一起出现的项目集
隐变量模型广泛用于数据预处理。例如减少数据集中的特征数量或将数据集分解为多个组件

无监督学习的缺点

你无法获得有关数据排序的精确信息，并且无监督学习中使用的数据的输出是经过标记的且未知的
Less 结果的准确性是因为输入的数据是未知的，并且没有被人们事先标记。这意味着机器需要自己做这件事。
光谱类别并不总是与信息类别相对应。
用户需要花时间解释和标记遵循该分类的类别。
类别的光谱特性也会随着时间而改变，因此从一张图像移动到另一个图像时您不可能拥有相同的类别信息。

结语

无监督学习是一种机器学习技术，你不需要监督模型。
无监督机器学习可以帮助您在数据中发现各种未知模式。
Cluster和联想是无监督学习的两种类型。
四种类型的聚类方法是 1）排他性 2）凝聚性 3）重叠 4）概率。
重要的聚类类型有：1）层次聚类2）K均值聚类3）K-NN4）主成分分析5）奇异值分解6）独立成分分析。
关联规则允许您在大型数据库内的数据对象之间建立关联。
在监督学习中， Algorithms 使用标记数据进行训练，而在无监督学习中 Algorithms 用于处理未标记的数据。
异常检测可以发现数据集中的重要数据点，这对于查找欺诈交易很有用。
无监督学习的最大缺点是无法获得有关数据排序的精确信息。