无监督学习是没有任何的数据标注，只有数据本身。无监督学习解决的主要是“聚类（Clustering）”问题，那它的算法模型有哪几种？

在笔记里我们简单地学习了监督学习的几种算法模型，今天就来学习一下无监督学习的基本概念和相应的几种算法模型。

无监督学习（UnsupervisedLearning）是和监督学习相对的另一种主流机器学习的方法，我们知道监督学习解决的是“分类”和“回归”问题，而无监督学习解决的主要是“聚类（Clustering）”问题。

监督学习通过对数据进行标注，来让机器学习到，比如：小曹多重多高就是胖纸，或者用身高体重等数据，来计算得到小曹的BMI系数；而无监督学习则没有任何的数据标注（超过多高算高，超过多重算胖），只有数据本身。

比如：有一大群人，知道他们的身高体重，但是我们不告诉机器“胖”和“瘦”的评判标准，聚类就是让机器根据数据间的相似度，把这些人分成几个类别。

那它是怎么实现的呢？怎么才能判断哪些数据属于一类呢？

这是几种常见的主要用于无监督学习的算法。

K均值（K-Means）算法；自编码器（Auto-Encoder）；主成分分析（PrincipalComponentAnalysis）。

K均值算法

K均值算法有这么几步：

随机的选取K个中心点，代表K个类别；计算N个样本点和K个中心点之间的欧氏距离；将每个样本点划分到最近的（欧氏距离最小的）中心点类别中——迭代1；计算每个类别中样本点的均值，得到K个均值，将K个均值作为新的中心点——迭代2；重复；得到收敛后的K个中心点（中心点不再变化）——迭代4。

上面提到的欧氏距离（EuclideanDistance），又叫欧几里得距离，表示欧几里得空间中两点间的距离。我们初中学过的坐标系，就是二维的欧几里得空间，欧氏距离就是两点间的距离，三维同理，多维空间的计算方式和三维二维相同。

举栗子：

我们现在有三组身高体重数据kg、cm，kg、cm和90kg、cm，提问：这三个人里，哪两个人的身材比较相近呢？

这三组数据可以表示为A（,），B（,）和C（90,），这就是我们很熟悉的平面直角坐标系里的三个点，他们之间的距离大家都知道算。

从结果可以看到Bc间的距离最小，也就是Bc的身材最相似。我们再增加一个维度，腰围，分别是cm、cm和cm（随便编的不要当真），那现在这三组数据可以表示为A（,,），B（,,）和C（90,,），这就变成了我们高中学过的空间直角坐标系里的三个点，要计算它们之间的距离也很简单。

现在还是Bc的身材最相似，如果我们增加N个维度，数据就可以用（X,X,X,…..,Xn）和（Y,Y,Y,…..,Yn）来表示，他们之间的距离就是

K均值算法里样本点到中心点的距离就是这么计算的，这个用空间点，来表示数据的思想，在机器学习领域是非常常见和重要的，以后还会经常见到。值得注意的是：虽然K近邻算法和K均值算法没有什么关系，但是它们的思想有想通之处，并且原始模型实际使用起来计算起来都比较慢。

自编码器

自编码器（Auto-encoder）（其实相当于一个神经网络，但这里不用神经网络的结构来解读）做的事情很有意思，它的基本思想就是对输入（input）编码（encode）后得到一个隐含的表征再解码（decode）并输出（output），这么看起来不是在绕圈圈吗？

如果说我们的自编码器只是为了得到一个和输入一模一样的输出，那我们的行为确实没什么用，但是细心的胖友，你们觉得这张图里什么是关键呢？

对了，是中间的隐含表征（latentrepresentation）！

自编码器的两个主要应用是降噪（denoising）和稀疏化数据（sparse）。

什么叫降噪和降维呢？

让我们用这张图来理解，图中有三层，输入、隐含和输出层，每一层的么一个圈圈代表一个特征。输入层经过编码变成了中间的隐含层，隐含层解码后得到后面的输出层。可以看到，隐含层只有输入层的一半，原本的6个特征变成了3个特征，这意味着什么？

又到了举栗子的时间：

如果要来表示小明的身材，输入的六个特征分别为“肉多”、“体脂率高”、“质量大”、“个子不高”、“总是心情好”、“喜欢笑”而隐含层的三个特征为“肉多”、“体脂率高”、“个子不高”，这个自编码器就是用来降噪的。

噪音（noise）指的是影响我们算法模型的不相关因素；降噪呢，就是用特定的方法去掉这些不相关的因素。

如果要来表示小明的主要特征，输入的六个特征还是“肉多”、“体脂率高”、“质量大”、“个子不高”、“心情好”、“喜欢看剧”而隐含层的特征变成了“胖”、“矮”和“开朗”，这个自编码器就是稀疏自编码器。

稀疏化数据，就是指将密集的浅层含义的数据（比如说：肉多这样的外在表现）表示为稀疏的更抽象的数据（将外在表现提炼为总结性的特征，比如：胖）。

完成上述两个任务，都需要构建合适的损失函数（lossfunction）（了解一下）。

（后面的依据个人兴趣选择是否阅读）

隐含层的层数是可以增加的，每一层都可以作为我们需要的特征，多层的结构能够让自编码器对特征的分析更加准确和稳定，而如果这个层数再增加一些（很多很多很多层）。

（省略了后面的解码步骤）

它就是堆叠/卷积自编码器（Convolutionautoencoder），可以说是一种卷积神经网络（Convolutionalneuralnetwork，CNN），更多的关于神经网络的知识会在后面详细说。

而回到最开始的图，我们刚才一直在说的是隐含层的意义和变化，那最后的输出一点用都没有吗？

这里不得不提一下生成式对抗网络（Generativeadversarialnetworks，GAN）。

生成式对抗网络的精髓就是两个网络，一个网络生成图片，一个网络辨别图片是不是真实的，当生成图片的网络能够“欺骗”识别图片的网络的时候，我们就得到了一个能够生成足够真实图片的网络。

这是一个很有趣的模型，机器根据已有的实物创造了实际中不存在的事物，下图是从真实图片转化为生成图片的过程。

这个思想能够实现一些很神奇的事情，比如：将文字变成图像，用对抗网络来构造药品和疾病的对抗等（

转载请注明:http://www.aideyishus.com/lkzp/5336.html