无监督学习是一种机器学习算法，用于在没有人工干预的情况下从数据集得出推论，而监督学习则是在数据旁边提供标签。
最常见的无监督学习方法是聚类分析，它应用聚类方法探索数据，发现数据中隐藏的模式或分组。
用MATLAB你可以应用许多流行的聚类算法:
- 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和k-medoids集群:分区数据k基于距离的不同簇。
- 高斯混合模型:将集群模型为多元正态密度成分的混合物
- 基于密度的空间聚类(DBSCAN):将高密度区域内彼此接近的点分组，在低密度区域跟踪离群点
- 自组织映射:使用神经网络来学习数据的拓扑结构和分布
- 谱聚类:基于图的聚类，可以处理任意非凸形状
其他应用无监督学习的方法包括半监督学习和无监督特征排序。半监督学习减少了监督学习中对标注数据的需要。对整个数据集进行聚类，建立有标签数据和无标签数据之间的相似性，并将标签传播到以前没有标签的相似聚类成员上。
无监督特征排名给没有给定预测目标或反应的特征打分。MATLAB®和统计和机器学习工具箱™金宝app支持使用拉普拉斯分数进行无监督排名。
要点
- 无监督学习通常在监督学习之前应用，用于在探索性数据分析中识别特征，并基于分组建立类。
- K-means和层次聚类仍然很流行。只有一些聚类方法可以处理任意非凸形状，包括MATLAB支持的DBSCAN、层次聚类和谱聚类。金宝app
- 无监督学习(聚类)也可以用于压缩数据。
- 无监督特征排序可以更有效地将基于距离的聚类应用于大数据集。
