无监督学习

顾名思义，它与监督的ML方法或算法相反，这意味着在无监督的机器学习算法中，我们没有任何监督可提供任何指导。在没有监督学习算法那样的自由的情况下，无监督学习算法非常方便，因为我们没有预先标记训练数据的自由，而我们想从输入数据中提取有用的模式。

例如，可以理解如下-

假设我们有-

无监督机器学习算法的示例包括 K-means聚类，K-最近邻居等。

基于ML任务，无监督学习算法可以分为以下几大类-

聚类方法是最有用的无监督ML方法之一。这些算法用于查找数据样本之间的相似性以及关系模式，然后将这些样本基于特征聚类为具有相似性的组。集群的真实示例是根据客户的购买行为对其进行分组。

另一种有用的无监督ML方法是 Association ，该方法用于分析大型数据集以查找模式，该模式进一步表示各种项目之间的有趣关系。它也被称为 关联规则挖掘或 购物篮分析，主要用于分析客户的购物模式。

此无监督ML方法用于通过选择一组主要特征或代表性特征来减少每个数据样本的特征变量的数量。这里出现的一个问题是，为什么我们需要减小尺寸？背后的原因是特征空间复杂性的问题，当我们开始分析并从数据样本中提取数百万个特征时就会出现。这个问题通常指的是"维数的诅咒"，PCA（主成分分析），K最近邻和判别分析是用于此目的的流行算法。

此无监督的ML方法用于查找罕见事件或通常不会发生的观测结果的发生。通过使用所学的知识，异常检测方法将能够区分异常或正常数据点。诸如聚类，KNN之类的无监督算法可以根据数据及其特征检测异常。