Machine learning 机器学习中的无监督分类

聚类（例如：K-means、EM算法等）用于无监督分类，通过使用数据点之间的距离度量在数据集中形成聚类

我的问题是: 除了聚类，我还可以使用什么来执行无监督分类？如何执行？或者对于无监督分类，除了聚类之外，没有其他选择吗

---

编辑：是的，我的意思是k-means

聚类是一个通用术语，表示将数据点拆分为类，而不包含任何关于真正选择的信息。因此，无论您应用哪种算法，如果它是无监督分类，那么它将是一个聚类

---

当然，根据具体情况、数据、问题等，有许多不同的方法。如果您能提供更多关于您具体任务的上下文，我可以列举一些方法。

简单的回答是否，群集不是无监督学习下的唯一领域。无监督学习比仅仅聚类更广泛。聚类只是无监督学习的一个子领域（或类型）

小修正：KNN不是一种聚类方法，它是一种分类算法。你可能是想说k-means

无监督学习的本质基本上是学习没有基本真理标签的数据。因此，无监督学习的目标是找到给定数据的表示形式。无监督学习的应用各不相同，尽管从学术角度来看，该领域确实不太吸引研究人员，因为它很复杂，需要努力构建新的东西和/或进行改进

可以在无监督学习下考虑，因为您希望在较低维度中找到数据的良好表示。它们对于可视化高维数据也很有用。PCA、SNE、tSNE、Isomap等是这些应用的类型

方法也是一种无监督学习，您希望根据距离/差异度量对值进行分组和标记。一些应用可能是K-means、层次聚类等

生成模型对条件概率p（X | Y=Y）进行建模。这一领域的研究自年（见）出版以来蓬勃发展。GANs可以了解数据分布，而无需明确查看数据。方法多种多样，其中GANs、VAE、高斯混合、LDA、隐马尔可夫模型

---

您可以进一步阅读无监督学习。

您好，谢谢您的回复。但正如我所提到的，我说的是无监督分类，而不是学习。我可以用GAN来执行无监督分类吗？@ruhuse没有所谓的“无监督分类”，如果你指的是聚类，请看我提供的wiki链接中的聚类方法。至少你可以观察有哪些方法，然后研究这些方法。嗨，谢谢你的回复。从理论上讲，我试图理解除了聚类之外还能做些什么来执行无监督分类。如果你能列举一些方法，那将非常有帮助。但是，如果不同的方法最终进行聚类，那么我的问题的答案是没有其他选择，对吗？是的，你的问题的答案基本上是否定的。聚类是一个通用术语，你可以根据相似性度量将相似的样本分成组，而不使用groundtruth标签。