無監督演算法
① 什麼是無監督學習
首先看什麼是學習（learning）？一個成語就可概括：舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂解題方法，因此考場上面對陌生問題也可以算出答案。機器學習的思路也類似：我們能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考的題目）？
最簡單也最普遍的一類機器學習演算法就是分類（classification）。對於分類，輸入的訓練數據有特徵（feature），有標簽（label）。所謂的學習，其本質就是找到特徵和標簽間的關系（mapping）。這樣當有特徵而無標簽的未知數據輸入時，我們就可以通過已有的關系得到未知數據標簽。
在上述的分類過程中，如果所有訓練數據都有標簽，則為有監督學習（supervised learning）。如果數據沒有標簽，顯然就是無監督學習（unsupervised learning）了，也即聚類（clustering）。
② 無監督學習與有監督學習演算法的區別
無監督學習的好處之一是，它不需要監督學習必須經歷的費力的數據標記過程。但是，要權衡的是，評估其性能的有效性也非常困難。相比之下，通過將監督學習演算法的輸出與測試數據的實際標簽進行比較，可以很容易地衡量監督學習演算法的准確性。
③ 什麼是無監督學習
無監督學習目標
目標是不告訴計算機怎麼做，而是讓它（計算機）學會如何做某事。無監督學習一般有兩種思維方式。第一個思路不是為代理人明確地分類，而是在成功的時候使用某種獎勵制度。應該指出的是，這種培訓通常放在決策的框架內，因為它的目標不是產生分類系統，而是決定最大回報。這個想法是對現實世界的一個很好的概括，而代理可以激勵正確的行為並懲罰其他行為。
第二類無監督學習稱為聚類。這種學習的目的不是最大化效用函數，而是尋找訓練數據中的近似點。聚合常常找到與假設相匹配的很好的視覺分類。例如，基於人口統計的聚集個體可能在一個群體中形成豐富的聚集，以及其他貧困聚集。
④ 下面演算法哪些屬於無監督學習演算法
- PCA
- Support Vector Machine
- Gradient Boosting Decsion Tree
- K-means
- Latent Dirichlet Allocation
Label Propagation
其中無監督學習演算法為PCA、K-means、Latent Dirichlet Allocation
⑤ 有監督和無監督學習都各有哪些有名的演算法和深度學習
聽他人說的：無監督與監督學習的區別在於一個無教學值，一個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督學習沒有反向傳播修改權值操作，當然這里只是說的是特徵提取階段。
⑥ 機器學習非監督機器學習演算法有哪些
非監督機器學習可以分為以下幾類
（1）聚類：聚類學習問題指的是我們想在數據中發現內在的分組，比如以購買行為對顧客進行分組。其又分為K-均值聚類、譜聚類、DBSCAN聚類、模糊聚類、GMM聚類、層次聚類等。
（2）關聯：關聯問題學習問題指的是我們想發現數據的各部分之間的聯系和規則，例如購買X物品的顧客也喜歡購買Y物品。如：Apriori演算法。
非監督學習，該演算法沒有任何目標/結果變數要預測/估計。這個演算法將種群聚類到不同的分組中，例如被廣泛用於將用戶分到不同的用戶組從而對不同的用戶組進行特定的干預。非監督學習的例子有：關聯演算法和k均值演算法。
想要學習了解更多機器學習非監督機器學習的知識，推薦CDA數據分析師課程。CDA數據分析師是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，通過 CDA 認證考試者可獲得 CDA 數據分析師中英文認證證書。點擊預約免費試聽課。
⑦ LR+SVM+BP+KMeans+哪一個屬於無監督學習演算法
Kmeans是聚類演算法，屬於無監督學習。其它幾個演算法都是分類或回歸演算法，屬於有監督學習。
⑧ 有監督學習和無監督學習演算法怎麼理解
在判斷是有監督學習還是在無監督學習上，我們可以具體是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習。
什麼是學習（learning）？
一個成語就可概括：舉一反三。機器學習的思路有點類似高考一套套做模擬試題，從而熟悉各種題型，能夠面對陌生的問題時算出答案。
簡而言之，機器學習就是看能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考題目），而這種根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。
常用的無監督學習演算法主要有三種：聚類、離散點檢測和降維，包括主成分分析方法PCA等，等距映射方法、局部線性嵌入方法、拉普拉斯特徵映射方法、黑塞局部線性嵌入方法和局部切空間排列方法等。
從原理上來說，PCA等數據降維演算法同樣適用於深度學習，但是這些數據降維方法復雜度較高，所以現在深度學習中採用的無監督學習方法通常採用較為簡單的演算法和直觀的評價標准。比如無監督學習中最常用且典型方法聚類。
在無監督學習中，我們需要將一系列無標簽的訓練數據，輸入到一個演算法中，然後我們告訴這個演算法，快去為我們找找這個數據的內在結構給定數據。這時就需要某種演算法幫助我們尋找一種結構。
監督學習（supervised learning），是從給定的有標注的訓練數據集中學習出一個函數（模型參數），當新的數據到來時可以根據這個函數預測結果。 常見任務包括分類與回歸。
無監督學習方法在尋找數據集中的規律性，這種規律性並不一定要達到劃分數據集的目的，也就是說不一定要「分類」。比如，一組顏色各異的積木，它可以按形狀為維度來分類，也可以按顏色為維度來分類。（這一點比監督學習方法的用途要廣。如分析一堆數據的主分量，或分析數據集有什麼特點都可以歸於無監督學習方法的范疇） ，而有監督學習則是通過已經有的有標簽的數據集去訓練得到一個最優模型。
⑨ 灰色序列預測是一種無監督的演算法嗎
灰色理論認為系統的行為現象盡管是朦朧的，數據是復雜的，但它畢竟是有序的，是有整體功能的。灰數的生成，就是從雜亂中尋找出規律。同時，灰色理論建立的是生成數據模型，不是原始數據模型，因此，灰色預測是一種對含有不確定因素的系統進行預測的方法。
⑩ 無監督和有監督演算法分別有哪些
聽聽別人怎麼說: 非監督式學習不同於監督式學習，一個沒有教學價值，另一個有教學價值。然而，我認為它們之間的區別在於非監督式學習通常使用聚類和其他演算法來對不同的樣本進行分類。監督式學習通常利用教學值與實際輸出值之間的誤差，進行誤差反向傳播來修正權值，完成網路校正。但是，非監督式學習並沒有改變操作的權重，當然，這里只說是特徵提取階段。