机器学习方法及应用课件 第6章 无监督学习.pptxVIP

第6章

无监督学习

UnsupervisedLearning

1.无监督学习概述

2.聚类

3.关联分析

4.应用一

00目录

01无监督学习概述

定义

无监督学习是机器学习的一个重要分支。它的核心特点是训练数据没有人工标注的标签，系统需要直接从原始数据中学习内在的规律、结构或模式。

其目标是发现数据中隐藏的结构。这不仅仅是把数据分组，还包括简化数据、找出关键特征等。

l

l任务

无监督学习主要围绕以下几大任务展开:

•聚类：如K-means算法、DBSCAN算法、EM算法等，其目标是将数据集中的样本划分为若干个互不相交的子集(称为“簇”)，使得同一簇内的样本彼此相似，不同簇的样本差异较大。

•降维：如主成分分析(PCA)等，其目标是减少数据的特征数量，同时尽可能保留重要信息，常用于数据可视化和预处理。

•关联分析：如Apriori算法，其目标是从数据中发现变量之间的有趣关系，例如“购买尿布的顾客也会购买啤酒”。

•异常检测：识别与大多数数据显著不同的异常点或离群点。

01无监督学习概述

式、数据点)的集合中发现其自然分组。聚类似乎是人类的本能，人眼观测二维或三维数

据的聚类结构是非常容易的。

比较常用的定义是：聚类是把一个数据对象的集合划分成簇(