无监督学习

无监督学习是一种机器学习用于从没有标记响应的输入数据组成的数据集中得出推论的算法。

最常见的无监督学习方法是聚类分析，它用于探索性数据分析，以发现数据中的隐藏模式或分组。这些簇是用相似度度量来建模的，相似度度量是根据欧几里得或概率距离等度量来定义的。

常见的聚类算法有:

• 分层聚类:通过创建集群树来构建集群的多级层次结构
• k - means聚类:根据数据到聚类质心的距离，将数据划分为k个不同的聚类
• 高斯混合模型:将聚类建模为多元正态密度分量的混合物
• 自组织映射:使用神经网络了解数据的拓扑结构和分布
• 隐马尔可夫模型:使用观察到的数据来恢复状态的顺序

无监督学习方法用于生物信息学序列分析和遗传聚类;在数据挖掘的序列和模式挖掘;医学图像中的图像分割以及用于物体识别的计算机视觉。

有关非监督学习算法的更多细节，请参见统计和机器学习工具箱™和深度学习工具箱™。