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](https://ww2.mathworks.cn/campaigns/offers/next/machine-learning-with-matlab/unsupervised-learning/_jcr_content/mainParsys/band_1089239189_copy/mainParsys/columns/badf045d-efa9-44ac-9f92-1d6a3256b995/image_1340613933_cop.adapt.full.medium.jpg/1715084500932.jpg)
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。