无监督学习

无监督学习是机器学习的一种类型，算法从无标记数据中学习。有监督学习依赖于标记数据来训练模型，而无监督学习算法则不同，它可以在没有明确指导的情况下探索数据并识别模式。这种方法在处理大型数据集时特别有用，因为在这种情况下，标记数据是不切实际的，或者当目标是发现数据中的隐藏结构和关系时，这种方法也特别有用。

无监督学习如何运作

在无监督学习中，算法得到的是没有任何相应输出标签的输入数据。然后，系统会尝试学习数据的固有结构。这是通过各种技术来实现的，这些技术旨在

• 聚类数据：将相似的数据点分组。K 均值聚类是一种常用的算法，它根据特征的相似性将数据划分为不同的群组。
• 降低维度：通过减少变量数量来简化数据，同时保留基本信息。主成分分析法（PCA）是一种常用的降维方法，可将高维数据转换为低维表示。
• 发现关联：识别数据中变量之间的关系和依赖性。例如，关联规则挖掘可以发现描述频繁共现模式的规则。
• 异常检测：识别严重偏离正常值的异常数据点。DBSCAN（基于密度的噪声应用空间聚类）可通过识别数据空间中的稀疏区域来识别异常值。

无监督学习的应用

无监督学习技术被广泛应用于各个领域，以从数据中提取有价值的见解：

• 客户细分：企业利用聚类算法，根据购买行为、人口统计或网站活动将客户细分为不同的群体。这样就可以制定有针对性的营销策略，并提供个性化的客户体验。例如，零售公司可能会对客户交易数据进行无监督学习，以识别不同的客户群，从而量身定制产品推荐和促销活动。
• 欺诈检测中的异常检测：在金融领域，异常检测对于识别欺诈交易至关重要。无监督学习算法可以学习正常的交易模式，并标记可能表明欺诈活动的偏差。这有助于积极主动地防止经济损失并提高数据安全性。
• 医学影像分析：无监督学习在医学影像分析中发挥着重要作用。降维和聚类等技术可帮助分析 X 光或核磁共振成像等医学图像，即使没有明确的标签，也能检测出可能表明疾病或异常的模式。
• 文档聚类：在自然语言处理中，无监督学习被用于文档聚类，即根据内容将相似文档归为一类。这对于组织大型文本数据集（如新闻文章或研究论文）以及主题建模和语义搜索等任务非常有用。

无监督学习与有监督学习

无监督学习和有监督学习的主要区别在于用于训练的数据类型。监督学习使用标记数据，每个输入数据点都与相应的输出标签配对。算法根据这些标签示例学习如何将输入映射到输出。相比之下，无监督学习使用无标签数据，旨在发现数据本身的隐藏结构或模式，而不需要明确的输出标签。

有监督学习和无监督学习都是机器学习（ML）和人工智能（AI）的基本工具，如何在两者之间做出选择取决于具体问题、标记数据的可用性以及所期望的结果。对于涉及 Ultralytics YOLO对于涉及模型的项目来说，在物体检测和图像分割等任务中，训练通常依赖于监督学习，而在数据预处理、探索性数据分析或特定应用（如制造质量控制中的异常检测）中，无监督方法也很有价值。