無監(jiān)督學(xué)習(xí)（Unsupervised Learning）是和監(jiān)督學(xué)習(xí)相對的另一種主流機器學(xué)習(xí)的方法，無監(jiān)督學(xué)習(xí)是沒有任何的數(shù)據(jù)標(biāo)注只有數(shù)據(jù)本身。

無監(jiān)督學(xué)習(xí)算法有幾種類型，以下是其中最重要的12種:

1、聚類算法根據(jù)相似性將數(shù)據(jù)點分組成簇

k-means聚類是一種流行的聚類算法，它將數(shù)據(jù)劃分為k組。

2、降維算法降低了數(shù)據(jù)的維數(shù)，使其更容易可視化和處理

主成分分析(PCA)是一種降維算法，將數(shù)據(jù)投影到低維空間，PCA可以用來將數(shù)據(jù)降維到其最重要的特征。

3.異常檢測算法識別異常值或異常數(shù)據(jù)點

支持向量機是可以用于異常檢測(示例)。異常檢測算法用于檢測數(shù)據(jù)集中的異常點，異常檢測的方法有很多，但大多數(shù)可以分為有監(jiān)督和無監(jiān)督兩種。監(jiān)督方法需要標(biāo)記數(shù)據(jù)集，而無監(jiān)督方法不需要。

無監(jiān)督異常檢測算法通常基于密度估計，試圖找到數(shù)據(jù)空間中密集的區(qū)域外的點。

一個簡單的方法是計算每個點到k個最近鄰居的平均距離。距離相鄰點非常遠(yuǎn)的點很可能是異常點。

還有很多基于密度的異常檢測算法，包括局部離群因子(Local Outlier Factor,LOF)和支持向量數(shù)據(jù)描述(Support Vector Domain Description,SVDD)。這些算法比簡單的k近鄰方法更復(fù)雜，通常可以檢測到更細(xì)微的異常。大多數(shù)異常檢測算法都需要進(jìn)行調(diào)整，例如指定一個參數(shù)來控制算法對異常的敏感程度。如果參數(shù)過低，算法可能會漏掉一些異常。如果設(shè)置過高，算法可能會產(chǎn)生誤報(將正常點識別為異常點)。

4、分割算法將數(shù)據(jù)分成段或組

分割算法可以將圖像分割為前景和背景。

這些算法可以在不需要人工監(jiān)督的情況下自動將數(shù)據(jù)集分割成有意義的組。這個領(lǐng)域中比較知名的一個算法是k-means算法。該算法通過最小化組內(nèi)距離平方和將數(shù)據(jù)點分成k組。

另一種流行的分割算法是mean shift算法。該算法通過迭代地將每個數(shù)據(jù)點移向其局部鄰域的中心來實現(xiàn)。mean shift對異常值具有較強的魯棒性，可以處理密度不均勻的數(shù)據(jù)集。但是在大型數(shù)據(jù)集上運行它的計算成本可能很高。

高斯混合模型(GMM)是一種可用于分割的概率模型。以前gmm需要大量的計算來訓(xùn)練，但最近的研究進(jìn)展使其更快。gmm非常靈活，可以用于任何類型的數(shù)據(jù)。但是它們有時并不能總是產(chǎn)生最好的結(jié)果。對于簡單的數(shù)據(jù)集，k-means是一個很好的選擇，而gmm則更適合于復(fù)雜的數(shù)據(jù)集。mean shift可以用于任何一種情況，但在大型數(shù)據(jù)集上計算的成本會很高。

5、去噪算法減少或去除數(shù)據(jù)中的噪聲

小波變換可以用于圖像去噪。但是各種來源可能會產(chǎn)生噪聲，包括數(shù)據(jù)損壞、缺失值和異常值。去噪算法通過減少數(shù)據(jù)中的噪聲量來提高無監(jiān)督學(xué)習(xí)模型的準(zhǔn)確性。

現(xiàn)有的去噪算法有多種，包括主成分分析(PCA)、獨立成分分析(ICA)和非負(fù)矩陣分解(NMF)。

6、鏈接預(yù)測算法預(yù)測數(shù)據(jù)點之間的未來連接（例如，網(wǎng)絡(luò)中兩個節(jié)點之間的未來交互）

鏈接預(yù)測可用于預(yù)測哪些人將成為社交網(wǎng)絡(luò)中的朋友。 更常用的鏈接預(yù)測算法之一是優(yōu)先連接算法，它預(yù)測如果兩個節(jié)點有許多現(xiàn)有連接，則它們更有可能被連接。

另一種流行的鏈路預(yù)測算法是局部路徑算法，它預(yù)測如果兩個節(jié)點共享一個共同的鄰居，那么它們更有可能被關(guān)聯(lián)。該算法可以捕獲“結(jié)構(gòu)等價”的概念，因此在生物網(wǎng)絡(luò)中經(jīng)常使用。

最后，random walk with restart算法也是一種鏈路預(yù)測算法，它模擬網(wǎng)絡(luò)上的一個隨機走動的人，在隨機節(jié)點[17]處重新啟動步行者。然后，步行者到達(dá)特定節(jié)點的概率被用來衡量兩個節(jié)點之間存在連接的可能性。

7、強化學(xué)習(xí)算法通過反復(fù)試驗來進(jìn)行學(xué)習(xí)

Q-learning是基于值的學(xué)習(xí)算法的一個例子;它實現(xiàn)簡單并且通用。但是Q-learning有時會收斂到次優(yōu)解。另一個例子是TD learning，它在計算上Q-learning學(xué)習(xí)要求更高，但通常可以找到更好的解決方案。

8、生成模型:算法使用訓(xùn)練數(shù)據(jù)生成新的數(shù)據(jù)

自編碼器是生成模型，可用于從圖像數(shù)據(jù)集創(chuàng)建獨特的圖像。在機器學(xué)習(xí)中，生成模型是一種捕捉一組數(shù)據(jù)的統(tǒng)計屬性的模型。這些模型可以用來生成新的數(shù)據(jù)，就像它們所用的訓(xùn)練的數(shù)據(jù)一樣。

生成模型用于各種任務(wù)，如無監(jiān)督學(xué)習(xí)，數(shù)據(jù)壓縮和去噪。生成模型有很多種，比如隱馬爾可夫模型和玻爾茲曼機。每種模型都有其優(yōu)缺點，并且適用于不同的任務(wù)。

隱馬爾可夫模型擅長對順序數(shù)據(jù)建模，而玻爾茲曼機器更擅長對高維數(shù)據(jù)建模。通過在無標(biāo)記數(shù)據(jù)上訓(xùn)練它們，生成模型可以用于無監(jiān)督學(xué)習(xí)。一旦模型經(jīng)過訓(xùn)練，就可以用來生成新的數(shù)據(jù)。然后這些生成的數(shù)據(jù)可以由人類或其他機器學(xué)習(xí)算法進(jìn)行標(biāo)記。這個過程可以重復(fù)，直到生成模型學(xué)會生成數(shù)據(jù)，就像想要的輸出。

9、隨機森林是一種機器學(xué)習(xí)算法，可用于監(jiān)督和無監(jiān)督學(xué)習(xí)

對于無監(jiān)督學(xué)習(xí)，隨機森林可以找到一組相似的條目，識別異常值，并壓縮數(shù)據(jù)。

對于監(jiān)督和無監(jiān)督任務(wù)隨機森林已被證明優(yōu)于其他流行的機器學(xué)習(xí)算法（如支持向量機）。隨機森林是無監(jiān)督學(xué)習(xí)的一個強大工具，因為它們可以處理具有許多特征的高維數(shù)據(jù)。它們也抵制過擬合，這意味著它們可以很好地推廣到新數(shù)據(jù)。

10、DBSCAN是一種基于密度的聚類算法，可用于無監(jiān)督學(xué)習(xí)

它基于密度，即每個區(qū)域的點的數(shù)量。 如果 DBSCAN 的組內(nèi)的點很靠近，則將它們指向一個組，如果點相距較遠(yuǎn)的點則會忽略。與其他聚類算法相比，DBSCAN具有一些優(yōu)勢。它可以找到不同大小和形狀的簇，并且不需要用戶預(yù)先指定簇的數(shù)量。此外，DBSCAN對異常值不敏感，這意味著它可以用來找到其他數(shù)據(jù)集沒有很好地表示的數(shù)據(jù)。但是DBSCAN也有一些缺點。例如，它可能很難在噪聲很大的數(shù)據(jù)集中找到良好的簇。另外就是DBSCAN需要一個密度閾值，這可能不適用于所有數(shù)據(jù)集。

11、Apriori算法用于查找關(guān)聯(lián)、頻繁項集和順序模式

Apriori算法是第一個關(guān)聯(lián)規(guī)則挖掘算法，也是最經(jīng)典的算法。它·的工作原理是首先找到數(shù)據(jù)中的所有頻繁項集，然后使用這些項集生成規(guī)則。

Apriori算法的實現(xiàn)方式有很多種，可以針對不同的需求進(jìn)行定制。 例如，可以控制支持度和置信度閾值以找到不同類型的規(guī)則。

12、Eclat算法從事務(wù)數(shù)據(jù)庫中挖掘頻繁項目集，可用于購物車分析、入侵檢測和文本挖掘

Eclat算法是一種深度優(yōu)先算法,采用垂直數(shù)據(jù)表示形式,在概念格理論的基礎(chǔ)上利用基于前綴的等價關(guān)系將搜索空間(概念格)劃分為較小的子空間(子概念格)。