从系列中:机器学习导论
赛斯迪兰,MathWorks
获得无监督机器学习的概述,它在没有标记响应的数据集中查找模式。当您想探索数据但还没有特定目标,或者不确定数据包含哪些信息时,可以使用此技术。这也是减少数据维度的一个好方法。
大多数无监督学习技术都是聚类分析的一种形式。聚类算法分为两大类:
本视频使用示例来说明硬聚类和软聚类算法,并说明了为什么您希望使用无监督机器学习来减少数据集中的特征数量。
无监督机器学习在没有标记响应的数据集中寻找模式。
当您想探索数据但还没有特定目标,或者不确定数据包含哪些信息时,可以使用此技术。
这也是减少数据维度的一个好方法。
正如我们之前讨论过的,大多数无监督学习技术都是聚类分析的一种形式,它根据共享的特征将数据分成组。
聚类算法分为两大类:
下面是一个硬集群示例:
假设你是一名建造手机发射塔的工程师。您需要决定在何处以及建造多少座塔楼。为了确保你提供最好的信号接收,你需要在人群中找到塔楼。
首先,您需要对集群的数量进行初步猜测。为此,将场景与三座塔和四座塔进行比较,看看每座塔能够提供多好的服务。
因为一部电话一次只能与一座塔通话,这是一个很难解决的集群问题。
为此,您可以使用k-means聚类,因为k-means算法将数据中的每个观测都视为在空间中具有位置的对象。它找到群集中心,或方法,减少数据点到它们的群集中心的总距离。
所以,这很难聚类。让我们看看如何在现实世界中使用软聚类算法。
假设你是一个生物学家,分析正常和异常细胞分裂的基因。你有来自两个组织样本的数据,你想要比较它们以确定特定的基因特征模式是否与癌症相关。
因为相同的基因可以参与多个生物过程,所以没有一个基因可能只属于一个簇。
对数据应用模糊c均值算法,然后将聚类可视化,看看哪些基因组的行为方式相似。
然后,您可以使用此模型帮助查看哪些特征与正常或异常细胞分裂相关。
这包括两种主要技术(硬聚类和软聚类),用于探索具有未标记响应的数据。
记住,你也可以使用无监督机器学习来减少特征的数量,或数据的维度。
您可以这样做,以降低数据的复杂性,尤其是在处理具有数百或数千个变量的数据时。通过降低数据的复杂性,您可以专注于重要功能并获得更好的洞察力。
让我们看看3种常见的降维算法:
在这个视频中,我们更深入地了解了硬聚类和软聚类算法,我们还展示了为什么要使用无监督机器学习来减少数据集中的特征数量。
至于你的下一步:
无监督学习可能是你的最终目标。如果您只是想要分割数据,那么群集算法是一个合适的选择。
另一方面,你可能想使用非监督学习作为监督学习的降维步骤。在下个视频中,我们将深入探讨指导学习。
现在,这段视频到此结束。不要忘记查看下面的描述以获取更多资源和链接。
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。