无监督学习

无监督学习是机器学习确定的任务函数从无标号数据。具体来说，因为数据没有标记，所以没有错误或奖励算法知道它是否接近或远离正确的解决方案。当使用机器学习解决答案未知的问题时，无监督学习非常重要。

一个无监督聚类算法的例子^[1]

给定一组数据点(如上所述)，无监督学习算法能够将这些点聚类到三个不同的组中:红色、蓝色和黄色。由于数据没有标记，我们不知道将数据聚类到三组是否为实际的“正确”聚类。

无监督学习在很多情况下都有使用，下面将详细介绍其中的一些情况。

• 聚类-聚类是一种流行的无监督学习方法，用于将相似的数据分组在一起(聚类)。k - means聚类是聚类数据的一种流行方法。如上例所示，由于数据没有标记，因此群集不能与数据的“正确”群集进行比较。

• 异常检测-异常检测，或称为异常值检测，是对不符合数据集其余部分的数据的标识。这个任务不需要标记数据，只要数据集中的大部分数据点是“正常的”，算法寻找与其余数据最不相似的数据点。

离群值的例子^[２]

在本例中，我们看到两个数据集群(G1和G2)，以及异常值O1和O2。异常检测是一种无监督学习，即使数据没有标记，也可以确定O1和O2是异常值。的一种方法是再邻居，一个数据点被标记为离群值或非离群值k最近的邻居和数据点与这些邻居之间的距离。

许多人工神经网络使用无监督学习，其中算法必须学会在未标记的数据上达到某个目标。无监督神经网络的基本理论是Hebbian理论，它描述的是对神经元在学习期间。它详细介绍了突触可塑性即随着时间的推移，神经元之间相互作用的增强和减弱。

简单地说，当大脑中的神经元(同样地，人工神经元在神经网络中)同时被激活，它们之间的关系就会加强，而当它们不同时被激活时，它们之间的关系就会减弱。这在无监督学习中发挥了作用，在无反馈(错误或奖励)的情况下，必须确定数据的趋势。通过加强神经网络中神经元之间的权重，机器学习算法可以从给定的未标记数据中提取有用的信息。

一个统计无监督学习的方法是矩量法的一种估计方法参数的概率分布．该算法使用时刻的未知参数，也就是预期值对参数的幂，确定参数的分布。

特别地，用矩量法来学习的参数潜变量模型。这些统计模型包含未观察到的变量。潜在变量模型的一个例子是基于文档的单词(观察变量)确定主题(潜在变量)的机器学习任务。例如，带有“狗”、“骨头”和“咀嚼”的文档与“狗”的主题有关，带有“猫”、“挠”和“喵”的文档与“猫”的主题有关，等等。在这种任务中，矩量法(一种无监督学习过程)在提取文档主题时非常有用。

此外,采用(EM)算法是用无监督学习找到潜在变量的另一种方法。该算法使用估计参数的期望，以及最大化该期望，以确定潜在变量，并在其详细的wiki中进一步描述。总的来说，矩量法和矩量法是无监督学习在机器学习任务中的重要应用。

1. hellisp。集群- 2. - gif．检索自2016年6月1日https://en.wikipedia.org/wiki/File:Cluster-2.svg
2. Osrecki。二维离群值Example.png．检索自2016年6月1日https://commons.wikimedia.org/wiki/File:Two-dimensional_Outliers_Example.png