什么是无监督学习？

在之前的章节中，您了解了监督学习。在那些情况下，我们拥有的数据集中的每个示例都带有已知答案或“标签”。例如，我们有房屋特征以及它们的价格（用于回归），或者有电子邮件以及它们是否是垃圾邮件（用于分类）。机器学习模型的任务是学习从输入特征到正确输出标签的映射。

现在，我们进入机器学习的一个不同部分：无监督学习。当您拥有数据，但没有预定义的标签或正确答案时，会发生什么？想象一下，您获得了一大批客户信息，但没有任何现有类别，比如“高价值”或“可能流失”。又或者，您有数千篇新闻文章，但没有预先分配的主题。这就是无监督学习发挥作用的地方。

无监督学习算法处理无标签数据。它们的目标不是根据过去的示例预测特定输出，而是找到输入数据本身中有意思的结构、模式、关系或分组。您可以将其看作是让算法自行检查数据，然后告诉您它发现了什么有意思的东西。

目标：发现隐藏的结构

监督学习是一种机器学习方法，其目标是学习从特征 $X$ 到标签 $Y$ 的映射。与此不同，无监督学习算法尝试直接学习数据 $X$ 的内在结构。常见目标包括：

• 寻找群组（聚类）： 自动将数据划分成不同的群组，其中群组内的项目彼此之间比与其他群组中的项目更相似。本章主要介绍聚类，特别是使用K-Means算法。例如，根据购买行为对客户进行聚类，以识别不同的市场细分。
• 降低复杂度（降维）： 通过减少特征（维度）数量来简化数据，同时尝试保留最重要的信息。这可用于可视化，或作为其他机器学习任务的预处理步骤。
• 寻找关联（关联规则挖掘）： 发现大型数据集中的项目之间有意思的关系或规则。一个经典示例是“购物篮分析”，它能发现类似“购买尿布的顾客也经常购买啤酒”的规则。
• 识别异常值（异常检测）： 找到与其余数据明显不同的数据点。这对于欺诈检测或识别设备故障读数等任务很有帮助。

一个类比：整理无标签物品

想象您收到一个装有许多不同类型纽扣的大盒子，全部混在一起。您没有标签告诉您每个纽扣属于哪种类型。在无监督方法中，您可能会开始根据可观察的特征对其进行分类：

1. 您可以根据颜色对其进行分组（所有红色纽扣放在一起，所有蓝色纽扣放在一起，等等）。
2. 您可以根据大小对其进行分组（小、中、大）。
3. 您可以根据孔的数量对其进行分组（两个孔，四个孔）。

您在发现底层结构（根据颜色、大小或孔洞形成群组），而没有任何预先的标签告诉您它们应该如何分组。这就是无监督学习的实质，特别是聚类。

为什么要使用无监督学习？

无监督学习在几种情况下是一种有价值的工具：

1. 数据检查： 当您首次接触数据集时，无监督方法可以帮助您理解其结构并识别您未曾注意到的潜在模式。
2. 缺少标签数据： 为大型数据集获取准确标签可能昂贵、耗时，有时甚至不可能。无监督学习直接处理原始的无标签数据。
3. 特征工程： 降维等技术可以帮助创建更有意义或更紧凑的特征，这有时可以提高后续监督学习模型的性能。
4. 直接应用： 客户细分、异常检测或主题建模等任务本质上是无监督问题。

在本章中，我们将集中于聚类，这是一项基础的无监督任务。您将了解K-Means，这是一种流行的算法，用于自动将您的数据点分组到指定数量的簇中。