无人监督的学习

无监督的学习是一种类型机器学习用于绘制由输入数据组成的数据集推断，而无需标记响应。

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，以查找隐藏的模式或在数据中进行分组。使用相似性的测量来建模簇，这些标准在诸如欧几里德或概率距离之类的度量上定义。

常见的聚类算法包括：

• 分层群集：通过创建群集树构建多级层次结构
• k-means聚类：将数据分区为基于与群集质心的距离的k个不同的群集
• 高斯混合模型：模型簇作为多变量正常密度分量的混合
• 自组织地图：使用神经网络学习数据的拓扑和分发
• 隐藏的马尔可夫模型：使用观察到的数据来恢复状态序列

无监督的学习方法用于生物信息学，用于序列分析和遗传聚类;在数据挖掘中序列和模式矿业;用于图像分割的医学成像;在计算机愿景中的对象识别。

有关无监督学习算法的更多详细信息，请参阅统计和机器学习工具箱™和深度学习工具箱™。