知识卡片
无监督学习聚类与降维
无监督学习处理的是没有类标、总体分布也不明确的数据:没有已知输出变量或反馈函数做指导,目标是自行提取信息、探索数据的整体结构。两大子领域: - 聚类:一种探索性分析,在没有任何先验信息时把数据划成有意义的组(簇)。簇内成员相似、簇间差异大,因此也叫”无监督分类”。例如市场人员按兴趣把用户分组以制定不同营销计划。 - 降维:把高维数据压缩到低维子空间,在尽量保留相关信息的同时去除噪声。好处是省存储、加快算法,并便于把高维数据映射到 2D/3D 做可视化(如把三维 Swiss Roll 压到二维)。代价是可能降低某些算法的准确性。
与监督学习对比:监督学习事先知道每个样本的目标值,无监督学习则完全没有这类指导。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1.2.3 通过无监督学习发现数据本身潜在的结构 · 查看原书依据
在最大程度保留相关信息的情况下将数据压缩到一个维度较小的子空间,但同时也可能会降低某些算法在准确性方面的性能
参考来源
- 位置:《Python机器学习》第1章《1.2.3 通过无监督学习发现数据本身潜在的结构》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0012.xhtml.xhtml)
- 结论依据:原文定义无监督学习为处理无类标数据、在无指导下提取信息,并分别说明聚类的"簇内相似簇间差异"与降维"压缩保留信息、去噪、可视化及可能降准确性"。
- 原始内容:在最大程度保留相关信息的情况下将数据压缩到一个维度较小的子空间,但同时也可能会降低某些算法在准确性方面的性能