第 3 章

应用无监督学习

何时考虑无监督学习

无监督学习适用的场景是，您想要探查数据，但还没有特定目标或不确定数据包含什么信息。无监督学习也是减少数据维度的好方法。

如第 1 章中所述，大多数无监督学习方法都属于聚类分析的范畴。

在聚类分析中，数据根据某种相似性度量或共有特征划分成若干组。这些组（即簇）的形成基于以下原则：同一簇中的对象非常相似，而不同簇中的对象显著不同。

聚类算法大致分为两种：

  • 硬聚类，其中每个数据点只属于一个簇。
  • 软聚类，其中每个数据点可属于多个簇。如果您已经知道可能的数据分组，则可以使用硬聚类或软聚类方法。
使用高斯方法的簇模型的图形

使用高斯混合模型将数据分成两个簇。

如果您不知道数据的可能分组方式：

  • 使用自组织特征映射或层次聚类，寻找数据中可能的结构。
  • 使用簇评估，寻找给定聚类算法的“最佳”组数。

常见硬聚类算法

常见软聚类算法

电子书缩略图

获取完整电子书

下载电子书