不是有监督算法

‘壹’ 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。

‘贰’ 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

‘叁’ 无监督和有监督算法的区别

1、有监督学习 ：通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现预测和分类的目的，也就具有了对未知数据进行预测和分类的能力。就如有标准答案的练习题，然后再去考试，相比没有答案的练习题然后去考试准确率更高。又如我们小的时候不知道牛和鸟是否属于一类，但当我们随着长大各种知识不断输入，我们脑中的模型越来越准确，判断动物也越来越准确。

有监督学习可分为 回归和分类 。

回归： 即给出一堆自变量X和因变量Y，拟合出一个函数，这些自变量X就是特征向量，因变量Y就是标签。 而且标签的值 连续 的，例LR。

分类 ：其数据集，由特征向量X和它们的标签Y组成，当你利用数据训练出模型后，给你一个只知道特征向量不知道标签的数据，让你求它的标签是哪一个？其输出结果是 离散 的。例如logistics、SVM、KNN等。

2、无监督学习： 我们事先没有任何训练样本，而需要直接对数据进行建模。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别。无监督学习主要算法是聚类，聚类目的在于把相似的东西聚在一起，主要通过计算样本间和群体间距离得到，主要算法包括Kmeans、层次聚类、EM算法。

‘肆’ knn算法是有监督还是无监督

knn算法是有监督机器学习算法。

KNN法即K最邻近法，最初由 Cover和Hart于1968年提态搏出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。KNN是通过测量不同特征值之间的距离进行分类州迟。

‘伍’ 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。

‘陆’ 有监督和无监督

1）.监督式算法：

    具有一个标准的本体，算法通过学习对数据进行预测，从而与本体进行比较。（我知道我想要得到什么）对数据，一部分数据用于训练模型，另一部分用于比较模型的正确率，有多少的匹配度就是多少的正确率。

  2）.无监督式算法：

    不具有标准的本体，对于数据量庞大的数据集，我们想要找到其中隐藏的一些关系，则采用无监督式算法。需要将数据转化为一种有意义可比较的格式，最终得到的会是具有一定关系的集合。但是是否是我们想要的集合取决于我们自己。可以进行强制的删减某些数据以达到我们预期的特定分割。

  3）.强化式算法：

   研究试图对强化学习模型进行逆向反馈以改进问题和技术的一种算法。是一种延时的机制。是一个连续做决策的过程，在一个过程中输入的数据的返回值会影响到下一个输入数据的返回值。算法定义了reward，由于自己能够察觉到signal并进行自己定义的action，算法需要将结果与reward进行比较，最终反馈以改进模型。RL没有被严格地监督，因为它不严格地依赖于受监督(或标记)数据集(训练集)。它实际上依赖于能够监控所采取行动的反应，并根据对奖励的定义来衡量。但这也不是没有监督的学习，因为我们知道，当我们对学习者进行建模时，这就是预期的回报。

‘柒’ 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。

‘捌’ k近邻算法是有监督还是无监督

k近邻算法是有监督。

k近邻算法的流程和优点：

k近邻算法的一般流程是：

1、收集数据。

2、计算待测数据与训练数据之间的距离（一般采用欧式距离）。

3、将计算的距离排序。

4、找出距离最小的k个值。

5、计算找出值中每个类别的频次。

6、返回最高频次的类别。

优点：精度高、对异常值不敏感缺点：计算复杂度高、空间复杂度高。K近邻最直接的利用了样本之间的关系，减少了类别特征选择不当对分类结果造成的不利影响，可以最大程度减少分类过程中的做察派误差项。

‘玖’ 聚类是有监督还是无监督

聚类分析是无监督算法的理论与实现，聚类是无监督。

简而言耐举之，聚类不过是根据某些属性分离观察值。用更专业的术语来说，聚类是一种无监督的机器学习算法，是一种过程，通过该过程将观察值（数据）进行分组，以使相似的观察值彼此靠近。这是一种“无监督”算法，因为与有监督算法（例如随机森林）不同，您不必使用标记的数据对其进行悉枣训练，计算机会根据基础模式和属性对昌陆碧数据进行聚类。

‘拾’ 有监督和无监督的算法分别有哪些

有监督学习算法：

聚类分析（Cluster Analysis）

关联规则挖掘（Association Rule Mining）

主成分分析（Principal Component Analysis，PCA）

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

降维（Dimensionality Rection）

奇异值分解（Singular Value Decomposition，SVD）

非负矩阵分解（Non-negative Matrix Factorization，NMF）

概率图模型（Probabilistic Graphical Models）