非監督學習

在機器學習，無監督學習的問題是，在未加標籤的數據中，試圖找到隱藏的結構。因為提供給學習者的實例是未標記的，因此沒有錯誤或報酬信號來評估潛在的解決方案。這區別於監督學習和強化學習無監督學習。

無監督學習是密切相關的統計數據密度估計的問題。然而無監督學習還包括尋求，總結和解釋數據的主要特點等諸多技術。在無監督學習使用的許多方法是基於用於處理數據的數據挖掘方法。

非監督學習對應的是監督學習。

基本信息

• 中文名：非監督學習
• 英文名：unsupervised learing；non-supervised
• 定義：密切相關的統計數據密度估計的問題
• 類型：聚類、隱馬爾可夫模型

• 包含：尋求，總結和解釋數據

非監督學習包括的類型：

聚類(例如,混合模型,層次聚類),

隱馬爾可夫模型,

盲目的信號分離使用特徵提取的技術降維(例如,主成分分析,獨立分量分析,非負矩陣分解,奇異值分解)。

非監督學習中的算法：

在神經網路模型,自組織映射(SOM)和自適應共振理論(藝術)是常用的無監督學習算法。SOM是一個地形組織附近的位置在地圖上代表輸入有相似屬性。藝術模型允許集群的數量隨問題規模和讓用戶控制之間的相似程度相同的集群成員通過一個用戶定義的常數稱為警戒參數。藝術網路也用於許多模式識別任務,如自動目標識別和地震信號處理。藝術的第一個版本是“ART1”,由木匠和Grossberg(1988)。