什么是無監督學習，什麼是無監督學習？

1樓：匿名使用者

無監督學習目標

目標是不告訴計算機怎麼做，而是讓它（計算機）學會如何做某事。無監督學習一般有兩種思維方式。第一個思路不是為**人明確地分類，而是在成功的時候使用某種獎勵制度。

應該指出的是，這種培訓通常放在決策的框架內，因為它的目標不是產生分類系統，而是決定最大回報。這個想法是對現實世界的一個很好的概括，而**可以激勵正確的行為並懲罰其他行為。

無監督學習價值

某些形式的強化學習通常可以用於無監督學習。因為沒有必要的方法來學習影響世界的所有資訊，所以**人在以前的獎懲基礎上建立其行為。從某種意義上說，所有這些資訊都是不必要的，因為通過學習激發函式，**可以清楚地知道該做什麼而不需要任何處理，因為它知道**所採取的每一個動作的確切預期收益。

這種方法對於防止大量的計算來計算每一種可能性和消耗大量的時間（即使所有世界狀態的變化概率都是已知的）是非常有用的。另一方面，嘗試犯錯誤也是一項費時費力的研究。

無監督學習案例

然而，這種學習可能是非常強大的，因為它假設沒有預先分類的樣本。例如，在某些情況下，我們的分類方法可能不是最好的選擇。在這方面，一個突出的例子是五子棋遊戲。

有一系列的計算機程式，通過無監督學習，併成為比人類最強的球員更出色。這些程式發現的一些原則甚至讓五子棋專家感到驚訝，他們比那些用預分類樣本訓練的五子棋程式效果更好。

第二類無監督學習稱為聚類。這種學習的目的不是最大化效用函式，而是尋找訓練資料中的近似點。聚合常常找到與假設相匹配的很好的視覺分類。

例如，基於人口統計的聚集個體可能在一個群體中形成豐富的聚集，以及其他貧困聚集。

2樓：哇咔咔一卡門

什麼是無監督學習？

根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。無監督學習也就是我們事先沒有任何訓練資料樣本，需要直接對資料進行建模。

常用的無監督學習演算法主要有主成分分析方法pca等，等距對映方法、區域性線性嵌入方法、拉普拉斯特徵對映方法、黑塞區域性線性嵌入方法和區域性切空間排列方法等。

現在深度學習中採用的無監督學習方法通常採用較為簡單的演算法和直觀的評價標準。

或許很多人都會認為任何事情有人教當然很好了啊，所有監督學習更方便快捷嘛，大部分情況確實這樣。

但是如果有些情況比如無法提供訓練資料樣本或者提供訓練資料樣本的成本太高的話，或許我們就應該採取無監督學習的策略了。

監督學習的典型例子就是決策樹、神經網路以及疾病監測，而無監督學習就是很早之前的西洋雙陸棋和聚類。

給大家舉一個無監督學習的例子。

遠古時期，我們的祖先打獵吃肉，他們本身之前是沒有經驗而言的，當有人用很粗的石頭去割動物的皮的時候，發現很難把皮隔開，但是又有人用很薄的石頭去割，發現比別人更加容易的隔開動物的毛皮，於是，第二天、第三天、……，他們就知道了需要尋找比較薄的石頭片來割。

這些就是無監督學習的思想，外界沒有經驗和訓練資料樣本提供給它們，完全靠自己摸索。