1.9 KiB
Executable File
1.9 KiB
Executable File
created, type, tags
| created | type | tags | |
|---|---|---|---|
| 2026-04-28 | concept |
|
无监督学习（Unsupervised Learning）
从未标注数据中发现隐藏结构和模式
定义
无监督学习是机器学习的一种范式，模型在没有标注答案的情况下，自行发现数据中的结构、模式或分布规律。
核心思想
输入数据：{x₁, x₂, ..., xₙ}（没有对应的 y）
目标：发现数据的内在结构
主要任务
| 任务 | 说明 | 示例 |
|---|---|---|
| 聚类（Clustering） | 将数据分为相似组 | 客户分群、异常检测 |
| 降维（Dimensionality Reduction） | 减少特征数量 | 数据可视化（t-SNE、PCA） |
| 密度估计 | 学习数据分布 | 异常值检测 |
| 生成（Generation） | 学习数据分布并生成新样本 | GAN、VAE、扩散模型 |
常见算法
| 算法 | 说明 |
|---|---|
| K-Means | 最经典的聚类算法 |
| DBSCAN | 基于密度的聚类 |
| PCA | 主成分分析，线性降维 |
| t-SNE / UMAP | 非线性降维，可视化 |
| GAN / 扩散模型 | 生成式模型 |
| 自监督学习 | 无监督的表征学习（现代 LLM 预训练的基础） |
与监督学习的对比
| 监督学习 | 无监督学习 |
|---|---|
| 需要标注数据 | 不需要标注 |
| 目标明确 | 目标开放 |
| 容易评估 | 评估较主观 |
| 分类、回归 | 聚类、降维、生成 |
现代 AI 中的应用
- LLM 预训练：本质上是通过"预测下一个词"进行自监督学习（无标注数据）
- Embedding 模型：无监督学习语义表示
- 知识图谱构建：从非结构化数据中发现实体和关系
相关概念
整理自 AI 基础知识