无监督的12个最重要的学习算法介绍及用例总结

无监督学习（无监督学习）是和监督学习的另一种数据监督机器的方法，无监督学习是没有的明显学习数据本身。

无学习监督算法有几种类型，以下是其中最重要的12种：

1、智能识别由相似性将点组成的簇

k-means是一种流行的算法，数据划分为k组。

2、降维算法降低了数据的维数，使可视化和处理更容易

主成分分析（PCA）是一种降维算法，将数据投影到低维空间，PCA可以使用将数据降维到其最重要的特征。

3.异常检测算法点识别异常值或异常数据

对向支持机可以用于异常检测（示例）算法[26]。需要方法标注数据集，而无需监督。

基于[20]个无异常数据监控空间中密集区域的点。

一个简单的方法是计算出每个点到最近的邻居的平均距离。发现点非常可能是异常点。

还有很多基础的异常检测算法，包括离群因子（Local Outlier Factor）和支持相关的数据描述（支持向量域描述）。这些算法可以比简单的近邻检测方法更复杂，通常更复杂例如到的可能出现的某些异常程度[21]。大多数检测算法都需要对参数进行异常调整，指定一个过高的参数来对异常进行调整。如果参数过低，算法会漏掉异常。算法可能会产生错误报告（将正常点识别为异常点）。

4、分割算法将]数据段或组[12

分割算法可以将图像分割为背景。

这些算法可以在不需要人工监督的情况下将数据集划分成k-组的距离。这个领域中比较知名的一个算法是手段。 k组。

一种鲁棒的分割算法算法中心是通过另外一种方式，可以通过不同的方式将数据点移向邻近区域的平均偏移量，实现异常值的处理。在大型数据集上运行它计算可能的价格但是。

高混合模式（GMM）可以用于最近的模型类型。以前的gmm模型需要计算来训练它们，但它们的研究进展正在进行中。gmm非常灵活，可以用于数据模型。但有时可以用于任何类型的数据。并且不能总是产生最好的结果。对于数据集，k-means 是一个很好的选择，而 gmm 则更适合于复杂的数据集。均值偏移可以用于一种简单的情况，但在任何大型的情况下数据集上计算的价格会涨。

5、去噪声滤波器或删除数据中的噪声

小波变换可以使用图像无发射数据。但包含可能产生的数据损坏、价值和异常值。去电视通过[10]中的噪声量来提高各种监督学习模型的大小。 。

现有的成分分析有多种成分，包括主分析（PCA）、成分分析（ICA）和非负成分（矩阵）[11]。

6、预测网络节点之间的未来连接预测（例如，预测每个节点之间的未来网络链接）

预测可用于预测哪些人将成为社交网络中的朋友。更常用的链接预测算法之一是优先连接算法[15]，如果预测两个节点有多个现有连接，则它们更有可能被连接。

[1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [1] [16] [1] [1] [1] 可能“另一种结构”概念，因此在生物网络中经常使用。

步行者重启算法是一种线性预测算法，它模拟网络上的一个启动点最后移动的人，在不断节点[17]中，步行者到达特定节点的随机排列者。两个节点之间存在连接。

7、强化学习算法通过反复试验来进行学习

Q-learning是基于值的学习算法[1]的一个它实现简单且通用。但是Q-learning有时会收敛到次优解[18]。另一个例子是TD learning，它在计算上Q-学习学习要求更高，但通常可以找到更好的解决方案[19]。

8、生成模型：算法使用训练数据生成新的数据

自编码数据集生成独特的图像，可用于从这些数据集生成的图像。在机器学习中，生成模型属性是一个捕捉器的数据集的统计模型。所用的训练的数据一样。

生成模型任务各种，模型学习，数据压缩和像无像一样使用[很像 22]。生成模型有多种，隐含和可监督的模型机[22]。优缺点，并且适用于不同的任务。

隐马尔可夫擅长模型对顺序建模，而尔兹曼更擅长对高维数据[22]建模。通过在无标记数据上它们，生成可以用于无监督学习。然后模型训练，就可以使用这些过程生成新的数据。然后生成的数据可以由人类或其他机器学习算法进行标记。这个可以重复，直到生成模型生成数据，就像想要的输出。

9、随时森林是一种机器学习算法，可用于监督和无监督学习[9]

对于无监督学习，随时可以找到类似的学习森林，识别异常值，并压缩数据[9]。

和无监督任务经常被证明已被证明使用类似流行的机器学习（如机器）[9]。它们也刚刚过地推广到这意味着它们可以很好的数据。

10、CAN是一种基于数据库的学习算法，可用于无密监督

它基于，也就是每个点的数量很接近。并且具有一些优势，它可以找到不同大小的簇，集供不同和用户预先指定的数量。[23] [28]。没有类似的数据。例如，它可能会在另外一个数据集上增加一个很好的数据集。 ]。

11、用于优先选择关联、A项4项和顺序模式

四月算法也是第一个关联规则算法，使用最经典的算法规则。

Apriori算法有很多种方式，可以根据不同的需求进行定制。例如，可以控制支持度和置信度阈值以找到不同的规则[24]。

22、Eclat 2019 2019 2019 2019-08-20 2019-08-20 2019-08-08 2019-08-08 2019-08-08 11:24:00 来源: 2019-06-08 11:13:01

Eclat算法是一种深度优先算法，纵向数据表示，在格理论的基础上采用基于概念的等价关系搜索空间格）为概念的子空间格（子概念格）。

以上就是无学习中的算法，如果你对他们感兴趣，请详细查看下面的引用（长，建议查看监督的）

Q-Learning简介：强化学习： https ://www.freecodecamp.org/news/an-introduction-to-q-learning-reinforcement-learning-14ac0b4493cc/

2. Q-learning视频演练： https ://www.youtube.com/watch?v=4dcgjcuR-1o

3. 无监督学习：使用 DBSCAN 进行聚类： https ://web.cs.dal.ca/~kallada/stat2450/lectures/Lecture15.pdf

4.机器学习中的DBSCAN聚类算法： https ://www.kdnuggets.com/2020/04/dbscan-clustering-algorithm-machine-learning.html

5. 深度生成模型中全局因素的无监督学习。arXiv:2012.08234

6. Harshvardhan GM、Mahendra Kumar Gourisaria、Manjusha Pandey、Siddharth Swarup Rautaray，机器学习中生成模型的全面调查和分析，计算机科学评论，第 38 卷，2020 年，100285，ISSN 1574–0137， https://doi。 org/10.1016/j.cosrev.2020.100285 。

7. 提升： https ://aws.amazon.com/what-is/boosting/

8. 装袋： https ://www.ibm.com/cloud/learn/bagging

9. Breiman, L. (2001)。随机森林。机器学习，45（1），5-32。

10. Hastie, T.、Tibshirani, R. 和弗里德曼, J. (2009)。统计学习的要素：数据挖掘、推理和预测（第 2 版）。施普林格科学与商业媒体。

11. 主教，CM（2006 年）。模式识别和机器学习。施普林格。

12. 功能材料断层图像数据分割的机器学习技术。https://www.frontiersin.org/articles/10.3389/fmats.2019.00145/full

13. 复杂网络中的链接预测：调查。https://arxiv.org/pdf/1010.0725.pdf

14.链接预测。https://neo4j.com/developer/graph-data-science/link-prediction/

15. 在线网络中的偏好依恋：测量和解释。https://arxiv.org/pdf/1303.6271.pdf

16.一种新的相似性度量，用于挖掘长路径网络中的缺失链接。https://arxiv.org/pdf/2110.05008.pdf

17. 带重启的快速随机游走及其应用。https://www.cs.cmu.edu/~christos/PUBLICATIONS/icdm06-rwr.pdf

18. Q-Learning：教程和扩展。https://link.springer.com/chapter/10.1007/978-1-4615-6099-9_3

19. 时间差分学习： https ://web.stanford.edu/group/pdplab/pdphandbook/handbookch10.html

20. 异常检测的机器学习技术：概述。https://www.researchgate.net/profile/Salima-Benqdara/publication/325049804_Machine_Learning_Techniques_for_Anomaly_Detection_An_Overview/links/5af3569b4585157136c919d8/Machine-Learning-Techniques-for-Anomaly-Detection-An-Overview.pdf

21. 网络异常检测的机器学习方法。https://www.usenix.org/legacy/event/sysml07/tech/full_papers/ahmed/ahmed.pdf?ref=driverlayer.com/web

22.墨菲，KP（2012 年）。机器学习：概率视角（第 1 版）。麻省理工学院出版社。

23. 一种基于密度的算法，用于在大空间中发现集群……。https://www.osti.gov/biblio/421283 。

24. Rakesh、Agrawal 和 Ramakrishnan Srikant。“矿业协会规则的快速算法”。https://www.researchgate.net/publication/2460430_Fast_Algorithms_for_Mining_Association_Rules

25.帕克，伊克巴尔。机器学习：算法、实际应用和研究方向。https://link.springer.com/article/10.1007/s42979-021-00592-x

26. 使用多代理系统进行异常检测。https://users.encs.concordia.ca/~abdelw/papers/Khosravifar_MSc_S2018.pdf

27. 用于图生成的深度生成模型的系统调查| 深度人工智能。https://deepai.org/publication/a-systematic-survey-on-deep-generation-models-for-graph-generation

28. Hierarchical K-Means Clustering：优化集群——Datanovia。https://www.datanovia.com/en/lessons/hierarchical-k-means-clustering-optimize-clusters/