无监督机器学习

在上一节中，我们学习了监督机器学习，即模型在训练数据的监督下使用标记数据进行训练。但很多情况下，我们可能没有标记数据，需要从给定的数据集中找到隐藏的模式。因此，为了解决机器学习中的这类问题，我们需要无监督学习技术。

什么是无监督学习？

顾名思义，无监督学习是一种机器学习技术，其中模型不使用训练数据集进行监督。相反，模型本身会从给定的数据中发现隐藏的模式和见解。这可以与人类大脑在学习新事物时进行的学习相比较。它可以定义为：

无监督学习是一种机器学习类型，其中模型使用未标记的数据集进行训练，并允许在没有任何监督的情况下对该数据进行操作。

无监督学习不能直接应用于回归或分类问题，因为与监督学习不同，我们有输入数据但没有对应的输出数据。无监督学习的目标是**找到数据集的底层结构，根据相似性对数据进行分组，并将数据集表示为压缩格式**。

示例：假设无监督学习算法接收一个包含不同类型猫和狗图像的输入数据集。该算法从未对给定数据集进行过训练，这意味着它对数据集的特征一无所知。无监督学习算法的任务是自行识别图像特征。无监督学习算法将通过根据图像之间的相似性将图像数据集聚类到组中来执行此任务。

为什么要使用无监督学习？

以下是说明无监督学习重要性的一些主要原因：

• 无监督学习有助于从数据中找到有用的见解。
• 无监督学习非常类似于人类通过自身经验进行思考的学习方式，这使其更接近真正的人工智能。
• 无监督学习处理未标记和未分类的数据，这使得无监督学习更加重要。
• 在现实世界中，我们并不总是有带有相应输出的输入数据，因此为了解决这些情况，我们需要无监督学习。

无监督学习的工作原理

可以通过下图理解无监督学习的工作原理：

这里，我们采用了一个未标记的输入数据，这意味着它没有分类，也没有给出相应的输出。现在，将此未标记的输入数据馈送给机器学习模型以进行训练。首先，它将解释原始数据以查找数据中的隐藏模式，然后应用合适的算法，如 K-Means 聚类、决策树等。

一旦应用了合适的算法，算法就会根据对象之间的相似性和差异将数据对象分成组。

无监督学习算法的类型

无监督学习算法可以进一步分为两类问题：

• 聚类：聚类是一种将对象分组到簇中的方法，使得最相似的对象保留在一个组中，而与其他组的对象几乎没有或没有相似性。聚类分析查找数据对象之间的共同点，并根据这些共同点的存在和缺席对其进行分类。
• 关联：关联规则是一种无监督学习方法，用于在大数据库中查找变量之间的关系。它确定在数据集中一起出现的项目集。关联规则使营销策略更有效。例如，购买 X 商品（假设是面包）的人也倾向于购买 Y 商品（黄油/果酱）。关联规则的一个典型例子是购物篮分析。

注意：我们将在后面的章节中学习这些算法。

无监督学习算法

以下是一些流行的无监督学习算法列表：

• K均值聚类
• KNN（K-近邻）
• 层次聚类
• 异常检测
• 神经网络
• 主成分分析
• 独立成分分析
• Apriori 算法
• 奇异值分解

无监督学习的优点

• 与监督学习相比，无监督学习用于更复杂的任务，因为在无监督学习中，我们没有标记的输入数据。
• 无监督学习更受青睐，因为它比标记数据更容易获得未标记数据。

无监督学习的缺点

• 无监督学习本身比监督学习更难，因为它没有对应的输出。
• 无监督学习算法的结果可能不太准确，因为输入数据未标记，算法无法预知确切的输出。