无监督算法

⑴ 机器学习非监督机器学习算法有哪些

非监督机器学习可以分为以下几类
（1）聚类：聚类学习问题指的是我们想在数据中发现内在的分组，比如以购买行为对顾客进行分组。其又分为K-均值聚类、谱聚类、DBSCAN聚类、模糊聚类、GMM聚类、层次聚类等。
（2）关联：关联问题学习问题指的是我们想发现数据的各部分之间的联系和规则，例如购买X物品的顾客也喜欢购买Y物品。如：Apriori算法。
非监督学习，该算法没有任何目标/结果变量要预测/估计。这个算法将种群聚类到不同的分组中，例如被广泛用于将用户分到不同的用户组从而对不同的用户组进行特定的干预。非监督学习的例子有：关联算法和k均值算法。

想要学习了解更多机器学习非监督机器学习的知识，推荐CDA数据分析师课程。CDA数据分析师是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证，通过 CDA 认证考试者可获得 CDA 数据分析师中英文认证证书。点击预约免费试听课。

⑵ 无监督学习与有监督学习算法的区别

无监督学习的好处之一是，它不需要监督学习必须经历的费力的数据标记过程。但是，要权衡的是，评估其性能的有效性也非常困难。相比之下，通过将监督学习算法的输出与测试数据的实际标签进行比较，可以很容易地衡量监督学习算法的准确性。

⑶ LR+SVM+BP+KMeans+哪一个属于无监督学习算法

Kmeans是聚类算法，属于无监督学习。其它几个算法都是分类或回归算法，属于有监督学习。

⑷ 下面算法哪些属于无监督学习算法

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

• Label Propagation

• 其中无监督学习算法为PCA、K-means、Latent Dirichlet Allocation

⑸ 什么是无监督学习

无监督学习目标

目标是不告诉计算机怎么做，而是让它（计算机）学会如何做某事。无监督学习一般有两种思维方式。第一个思路不是为代理人明确地分类，而是在成功的时候使用某种奖励制度。应该指出的是，这种培训通常放在决策的框架内，因为它的目标不是产生分类系统，而是决定最大回报。这个想法是对现实世界的一个很好的概括，而代理可以激励正确的行为并惩罚其他行为。

第二类无监督学习称为聚类。这种学习的目的不是最大化效用函数，而是寻找训练数据中的近似点。聚合常常找到与假设相匹配的很好的视觉分类。例如，基于人口统计的聚集个体可能在一个群体中形成丰富的聚集，以及其他贫困聚集。

⑹ 有监督和无监督学习都各有哪些有名的算法和深度学习

听他人说的：无监督与监督学习的区别在于一个无教学值，一个有教学值。但是，个人认为他们的区别在于无监督学习一般是采用聚簇等算法来分类不同样本。而监督学习一般是利用教学值与实际输出值产生的误差，进行误差反向传播修改权值来完成网络修正的。但是无监督学习没有反向传播修改权值操作，当然这里只是说的是特征提取阶段。

⑺ 无监督和有监督算法分别有哪些

听听别人怎么说: 非监督式学习不同于监督式学习，一个没有教学价值，另一个有教学价值。然而，我认为它们之间的区别在于非监督式学习通常使用聚类和其他算法来对不同的样本进行分类。监督式学习通常利用教学值与实际输出值之间的误差，进行误差反向传播来修正权值，完成网络校正。但是，非监督式学习并没有改变操作的权重，当然，这里只说是特征提取阶段。

⑻ 什么是无监督学习

首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考的题目）？
最简单也最普遍的一类机器学习算法就是分类（classification）。对于分类，输入的训练数据有特征（feature），有标签（label）。所谓的学习，其本质就是找到特征和标签间的关系（mapping）。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。
在上述的分类过程中，如果所有训练数据都有标签，则为有监督学习（supervised learning）。如果数据没有标签，显然就是无监督学习（unsupervised learning）了，也即聚类（clustering）。

⑼ 灰色序列预测是一种无监督的算法吗

灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测是一种对含有不确定因素的系统进行预测的方法。

⑽ 有监督学习和无监督学习算法怎么理解

在判断是有监督学习还是在无监督学习上，我们可以具体是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。

什么是学习（learning）？

一个成语就可概括：举一反三。机器学习的思路有点类似高考一套套做模拟试题，从而熟悉各种题型，能够面对陌生的问题时算出答案。

简而言之，机器学习就是看能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考题目），而这种根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

常用的无监督学习算法主要有三种：聚类、离散点检测和降维，包括主成分分析方法PCA等，等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。

从原理上来说，PCA等数据降维算法同样适用于深度学习，但是这些数据降维方法复杂度较高，所以现在深度学习中采用的无监督学习方法通常采用较为简单的算法和直观的评价标准。比如无监督学习中最常用且典型方法聚类。

在无监督学习中，我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，快去为我们找找这个数据的内在结构给定数据。这时就需要某种算法帮助我们寻找一种结构。

监督学习（supervised learning），是从给定的有标注的训练数据集中学习出一个函数（模型参数），当新的数据到来时可以根据这个函数预测结果。 常见任务包括分类与回归。

无监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。比如，一组颜色各异的积木，它可以按形状为维度来分类，也可以按颜色为维度来分类。（这一点比监督学习方法的用途要广。如分析一堆数据的主分量，或分析数据集有什么特点都可以归于无监督学习方法的范畴） ，而有监督学习则是通过已经有的有标签的数据集去训练得到一个最优模型。