机器学习中的无监督分类答案

【问题标题】：Unsupervised Classification in Machine Learning机器学习中的无监督分类
【发布时间】：2021-03-04 20:11:37
【问题描述】：

聚类（例如：K-means、EM 算法等）通过使用数据点之间的一些距离测量在数据集中形成聚类来用于无监督分类

我的问题是：除了聚类之外，我还可以使用什么来执行无监督分类以及如何执行？或者除了无监督分类的聚类之外没有其他选择吗？

编辑：是的，我的意思是 k-means

【问题讨论】：

【解决方案1】：

聚类是一个通用术语，代表数据点将被分成类而没有任何关于真实选择的信息的情况。所以无论你应用什么样的算法，如果是无监督分类，都是聚类。

当然，根据案例、数据、问题等，有许多不同的方法。如果您能提供有关您的确切任务的更多背景信息，我可能会列举一些方法。

【讨论】：

您好，谢谢您的回复。从理论上讲，我试图了解除了聚类来执行无监督分类之外还能做什么。如果您能列举一些方法，那将非常有帮助。但如果不同的方法最终聚集在一起，我的问题的答案是没有其他选择，对吧？
是的，您的问题的答案基本上是否定的。聚类是一个通用术语，您可以在不使用真实标签的情况下根据相似性度量将相似样本分组。

【解决方案2】：

简短的回答是否定的，聚类并不是无监督学习下的唯一领域。无监督学习比仅聚类更广泛。聚类只是无监督学习的一个子领域（或类型）。

小修正：KNN 不是聚类方法，它是一种分类算法。你可能是想说 k-means。

无监督学习的本质基本上是学习没有真实标签的数据。因此，无监督学习的目标是找到给定数据的表示。无监督学习的应用差异很大，尽管从学术上讲，该领域确实由于其复杂性以及构建新事物和/或改进的努力而对研究人员的吸引力降低。

Dimension reduction 可以考虑在无监督学习下，因为您希望在较低维度上找到数据的良好表示。它们对于可视化高维数据也很有用。 PCA、SNE、tSNE、Isomap 等都是这些应用的类型。

Clustering 方法也是一种无监督学习，您希望根据某种距离/散度度量对值进行分组和标记。一些应用可能是 K-means、层次聚类等。

Generative models，生成模型对条件概率 P(X|Y=y) 建模。自GAN（见paper）发表以来，该领域的研究蓬勃发展。 GAN 可以在不明确查看数据的情况下学习数据分布。方法多种多样，其中 GANs、VAE、高斯混合、LDA、隐马尔可夫模型。

您可以进一步阅读here 了解无监督学习。

【讨论】：