无监督式学习

1.是什么？

无监督式学习与监督式学习**最大的区别就是：**没有事先给定的训练实例，它是自动对输入的示例进行分类或者分群；
优点：不需要标签数据，极大程度上扩大了我们的数据样本，其次不受监督信息的偏见，可能考虑到新的信息；
**关联规则：**根据输入的数据得到他们之间的关联
**纬度缩减：**数据之间可能存在一定的关系，然后我们可以进行降维，加快数据运算速度

2.应用：聚类分析

2.1是什么：

根据对象属性的相似度，将其分为不同的类别；（客户分析，基因聚类，新闻关联）

2.2 Kmeans算法

首先要告诉计算机你需要分成几类,然后他会根据中心点计算数据的距离,然后进行分类;

2.4 MeanShift均值漂移聚类

需要定义半径,中心区域半径内会不断聚集周围的节点,直至形成类别(自动发现类别)

2.5 DBSCAN算法

基于密度的空间聚类算法
特点: 1.基于密度中心点进行扩张来筛选出有效数据,如果密度比较低的话,这些数据就会过滤掉**(过滤噪声)** 2.然后基于密度符合的有效数据进行周围的扩招直至不满足条件