什么是无监督学习

所谓无监督学习，是指利用无标签的数据学习数据的分布或者数据之间的关系；

下面通过跟监督学习的对比来理解无监督学习：
监督学习是一种目的明确的训练方式，你知道得到的是什么；而无监督学习则是没有明确目的的训练方式，你无法提前知道结果是什么。
监督学习需要给数据打标签；而无监督学习不需要给数据打标签。
监督学习由于目标明确，所以可以衡量效果；而无监督学习几乎无法量化效果如何。

为什么要使用无监督学习

以下是描述无监督学习重要性的一些主要原因：

无监督学习有助于从数据中找到有用的见解。
无监督学习与人类通过自己的经验学习思考非常相似，这使得它更接近真正的人工智能。
无监督学习适用于未标记和未分类的数据，这使得无监督学习更加重要。
在现实世界中，我们并不总是有输入数据和相应的输出，因此为了解决这种情况，我们需要无监督学习。

无监督学习的工作原理

下图可以理解无监督学习的工作原理：

我们采用了未标记的输入数据，这些数据被输入机器学习模型以对其进行训练。它将解释原始数据以从数据中找到隐藏的模式，然后应用合适的算法，如 k-means 聚类等，该算法就会根据对象之间的相似性和差异性将数据对象分组。

无监督学习分类

常见的2类算法是：聚类、降维
聚类：简单说就是一种自动分类的方法，在监督学习中，你很清楚每一个分类是什么，但是聚类则不是，你并不清楚聚类后的几个分类每个代表什么意思。聚类常用算法：K均值，基于密度的聚类，最大期望聚类；

降维：降维看上去很像压缩。这是为了在尽可能保存相关的结构的同时降低数据的复杂度。
降维算法有潜语义模型（LSA），主成分分析（PCA）,奇异值分解（SVD）等