不是有監督演算法

『壹』 機器學習非監督機器學習演算法有哪些

非監督機器學習可以分為以下幾類
（1）聚類：聚類學習問題指的是我們想在數據中發現內在的分組，比如以購買行為對顧客進行分組。其又分為K-均值聚類、譜聚類、DBSCAN聚類、模糊聚類、GMM聚類、層次聚類等。
（2）關聯：關聯問題學習問題指的是我們想發現數據的各部分之間的聯系和規則，例如購買X物品的顧客也喜歡購買Y物品。如：Apriori演算法。
非監督學習，該演算法沒有任何目標/結果變數要預測/估計。這個演算法將種群聚類到不同的分組中，例如被廣泛用於將用戶分到不同的用戶組從而對不同的用戶組進行特定的干預。非監督學習的例子有：關聯演算法和k均值演算法。

想要學習了解更多機器學習非監督機器學習的知識，推薦CDA數據分析師課程。CDA數據分析師是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，通過 CDA 認證考試者可獲得 CDA 數據分析師中英文認證證書。點擊預約免費試聽課。

『貳』 下面演算法哪些屬於無監督學習演算法

• PCA
  
• Support Vector Machine
  
• Gradient Boosting Decsion Tree
  
• K-means
  
• Latent Dirichlet Allocation
  

• Label Propagation

• 其中無監督學習演算法為PCA、K-means、Latent Dirichlet Allocation

『叄』 無監督和有監督演算法的區別

1、有監督學習 ：通過已有的訓練樣本去訓練得到一個最優模型，再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現預測和分類的目的，也就具有了對未知數據進行預測和分類的能力。就如有標准答案的練習題，然後再去考試，相比沒有答案的練習題然後去考試准確率更高。又如我們小的時候不知道牛和鳥是否屬於一類，但當我們隨著長大各種知識不斷輸入，我們腦中的模型越來越准確，判斷動物也越來越准確。

有監督學習可分為 回歸和分類 。

回歸： 即給出一堆自變數X和因變數Y，擬合出一個函數，這些自變數X就是特徵向量，因變數Y就是標簽。 而且標簽的值 連續 的，例LR。

分類 ：其數據集，由特徵向量X和它們的標簽Y組成，當你利用數據訓練出模型後，給你一個只知道特徵向量不知道標簽的數據，讓你求它的標簽是哪一個？其輸出結果是 離散 的。例如logistics、SVM、KNN等。

2、無監督學習： 我們事先沒有任何訓練樣本，而需要直接對數據進行建模。比如我們去參觀一個畫展，我們完全對藝術一無所知，但是欣賞完多幅作品之後，我們也能把它們分成不同的派別。無監督學習主要演算法是聚類，聚類目的在於把相似的東西聚在一起，主要通過計算樣本間和群體間距離得到，主要演算法包括Kmeans、層次聚類、EM演算法。

『肆』 knn演算法是有監督還是無監督

knn演算法是有監督機器學習演算法。

KNN法即K最鄰近法，最初由 Cover和Hart於1968年提態搏出，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。KNN是通過測量不同特徵值之間的距離進行分類州遲。

『伍』 有監督學習和無監督學習演算法怎麼理解

在判斷是有監督學習還是在無監督學習上，我們可以具體是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習。

什麼是學習（learning）？

一個成語就可概括：舉一反三。機器學習的思路有點類似高考一套套做模擬試題，從而熟悉各種題型，能夠面對陌生的問題時算出答案。

簡而言之，機器學習就是看能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考題目），而這種根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。

常用的無監督學習演算法主要有三種：聚類、離散點檢測和降維，包括主成分分析方法PCA等，等距映射方法、局部線性嵌入方法、拉普拉斯特徵映射方法、黑塞局部線性嵌入方法和局部切空間排列方法等。

從原理上來說，PCA等數據降維演算法同樣適用於深度學習，但是這些數據降維方法復雜度較高，所以現在深度學習中採用的無監督學習方法通常採用較為簡單的演算法和直觀的評價標准。比如無監督學習中最常用且典型方法聚類。

在無監督學習中，我們需要將一系列無標簽的訓練數據，輸入到一個演算法中，然後我們告訴這個演算法，快去為我們找找這個數據的內在結構給定數據。這時就需要某種演算法幫助我們尋找一種結構。

監督學習（supervised learning），是從給定的有標注的訓練數據集中學習出一個函數（模型參數），當新的數據到來時可以根據這個函數預測結果。 常見任務包括分類與回歸。

無監督學習方法在尋找數據集中的規律性，這種規律性並不一定要達到劃分數據集的目的，也就是說不一定要「分類」。比如，一組顏色各異的積木，它可以按形狀為維度來分類，也可以按顏色為維度來分類。（這一點比監督學習方法的用途要廣。如分析一堆數據的主分量，或分析數據集有什麼特點都可以歸於無監督學習方法的范疇） ，而有監督學習則是通過已經有的有標簽的數據集去訓練得到一個最優模型。

『陸』 有監督和無監督

1）.監督式演算法：

    具有一個標準的本體，演算法通過學習對數據進行預測，從而與本體進行比較。（我知道我想要得到什麼）對數據，一部分數據用於訓練模型，另一部分用於比較模型的正確率，有多少的匹配度就是多少的正確率。

  2）.無監督式演算法：

    不具有標準的本體，對於數據量龐大的數據集，我們想要找到其中隱藏的一些關系，則採用無監督式演算法。需要將數據轉化為一種有意義可比較的格式，最終得到的會是具有一定關系的集合。但是是否是我們想要的集合取決於我們自己。可以進行強制的刪減某些數據以達到我們預期的特定分割。

  3）.強化式演算法：

   研究試圖對強化學習模型進行逆向反饋以改進問題和技術的一種演算法。是一種延時的機制。是一個連續做決策的過程，在一個過程中輸入的數據的返回值會影響到下一個輸入數據的返回值。演算法定義了reward，由於自己能夠察覺到signal並進行自己定義的action，演算法需要將結果與reward進行比較，最終反饋以改進模型。RL沒有被嚴格地監督，因為它不嚴格地依賴於受監督(或標記)數據集(訓練集)。它實際上依賴於能夠監控所採取行動的反應，並根據對獎勵的定義來衡量。但這也不是沒有監督的學習，因為我們知道，當我們對學習者進行建模時，這就是預期的回報。

『柒』 無監督和有監督演算法分別有哪些

聽聽別人怎麼說: 非監督式學習不同於監督式學習，一個沒有教學價值，另一個有教學價值。然而，我認為它們之間的區別在於非監督式學習通常使用聚類和其他演算法來對不同的樣本進行分類。監督式學習通常利用教學值與實際輸出值之間的誤差，進行誤差反向傳播來修正權值，完成網路校正。但是，非監督式學習並沒有改變操作的權重，當然，這里只說是特徵提取階段。

『捌』 k近鄰演算法是有監督還是無監督

k近鄰演算法是有監督。

k近鄰演算法的流程和優點：

k近鄰演算法的一般流程是：

1、收集數據。

2、計算待測數據與訓練數據之間的距離（一般採用歐式距離）。

3、將計算的距離排序。

4、找出距離最小的k個值。

5、計算找出值中每個類別的頻次。

6、返回最高頻次的類別。

優點：精度高、對異常值不敏感缺點：計算復雜度高、空間復雜度高。K近鄰最直接的利用了樣本之間的關系，減少了類別特徵選擇不當對分類結果造成的不利影響，可以最大程度減少分類過程中的做察派誤差項。

『玖』 聚類是有監督還是無監督

聚類分析是無監督演算法的理論與實現，聚類是無監督。

簡而言耐舉之，聚類不過是根據某些屬性分離觀察值。用更專業的術語來說，聚類是一種無監督的機器學習演算法，是一種過程，通過該過程將觀察值（數據）進行分組，以使相似的觀察值彼此靠近。這是一種「無監督」演算法，因為與有監督演算法（例如隨機森林）不同，您不必使用標記的數據對其進行悉棗訓練，計算機會根據基礎模式和屬性對昌陸碧數據進行聚類。

『拾』 有監督和無監督的演算法分別有哪些

有監督學習演算法：

聚類分析（Cluster Analysis）

關聯規則挖掘（Association Rule Mining）

主成分分析（Principal Component Analysis，PCA）

獨立成分分析（Independent Component Analysis，ICA）

降維（Dimensionality Rection）

奇異值分解（Singular Value Decomposition，SVD）

非負矩陣分解（Non-negative Matrix Factorization，NMF）

概率圖模型（Probabilistic Graphical Models）