无监督学习算法探索无标记数据，其目标不是预测特定结果，而是发现数据中隐藏的模式、结构和关系。与 监督学习不同的是，无监督学习算法是从有标签的示例中学习的，它的运行没有预定义标签或 "正确答案 "的指导。
无监督学习算法如何工作
无监督学习算法可识别数据中的相似性、差异性和模式。它们可以将相似的数据点归类到一起，在保留基本信息的同时减少变量的数量，或识别偏离常规的异常数据点
这些算法对于标注数据稀缺、昂贵或不可用的任务非常有价值。即使不知道具体的结果或标签，它们也能让我们深入了解数据的底层结构和组织。
无监督学习问题可大致分为以下几类：
聚类： 根据相似数据点的特征对其进行分组。这就好比按流派组织藏书，或根据客户的购买行为将其分组。降维： 减少数据中变量（特征）的数量，同时保留基本信息。这类似于将长篇文档总结为简明摘要，或在不丢失重要细节的情况下压缩图像。异常检测： 识别严重偏离常规的异常数据点。这就好比在一堆真钞中发现假钞，或检测信用卡盗刷。
无监督学习的核心概念
无标签数据
无监督学习的基石是 无标签数据。监督学习的数据点带有相应的标签或目标变量，而 无标签数据则不同，它没有这些预定义的结果。算法必须完全依靠数据的固有特征和输入特征来发现模式和关系。
把它想象成分析一组没有任何说明或描述的照片。即使不知道每张照片的具体背景，您仍然可以根据颜色、构图和主题等视觉特征对类似照片进行分组。
相似性度量
许多 无监督学习算法都依赖于量化数据点之间的相似性或不相似性。相似性度量根据两个数据点的特征来计算它们的相似或不同程度。常见的度量方法包括
欧氏距离： 测量多维空间中两点之间的直线距离。余弦相似度： 测量代表数据点的两个向量之间的角度，数值越大表示相似度越高。曼哈顿距离： 计算两点之间的距离，方法是将两点坐标的绝对差求和。
集聚系数
集聚系数是指数据形成聚类或分组的内在倾向。在应用聚类算法之前，评估数据是否具有形成聚类的自然倾向至关重要。如果数据分布均匀，没有固有的分组，那么聚类算法可能不会产生有意义的结果。
聚类有效性
评估聚类算法产生的聚类的质量和意义至关重要。聚类有效性包括评估以下指标：
内聚力： 衡量聚类中数据点的相似程度。内聚力越高，说明聚类越紧凑，定义越清晰。分离度： 衡量聚类之间的差异程度。分离度越高，表示聚类越明显，分离度越高。
各种聚类有效性指数，如轮廓得分和戴维斯-博尔丁指数，对这些方面进行量化，有助于确定最佳聚类数量。
维度
维度是指数据中特征或变量的数量。高维度可能会给某些 无监督学习算法带来挑战，增加计算复杂度，并可能导致 "维度诅咒"，即数据变得稀疏，点之间的距离变得意义不大。
内在维度
数据的 内在维度表示其内在或基本维度，可能低于实际特征数。它捕获了数据中包含的基本信息。降维技术旨在减少特征数量，同时保留这种内在维度。
异常
异常是指数据中严重偏离常规或预期模式的数据点。异常点可能代表异常事件、错误或欺诈活动。在欺诈检测、网络安全和系统监控等各种应用中，检测异常点至关重要。
离群
离群点是指与其他大多数数据点相差甚远的数据点。虽然与异常点类似，但 "离群值 "一词通常用于更广泛的意义上。异常值可以表示数据收集中的错误、不寻常的观察结果或潜在的有趣模式。
特征缩放
特征缩放在 无监督学习中至关重要，可确保所有特征对距离计算和其他计算的贡献相同。常见的技术包括
最小-最大缩放： 将特征缩放至固定范围。标准化（Z分数归一化）：将特征转换为零均值和单位方差。
微信登陆 
