【51CTO.com快譯】無監督機器學習和人工智能顯然對組織的業務增長很有幫助，但是它們是如何工作的?人們需要了解一些關鍵指南，以使其市場研究、趨勢預測和其他用途是有效的。

人們如今正處在數字化轉型時代，只有一個不變的因素——進化。而組織采用的高科技解決方案正在引入數字化轉型。因此，毫不奇怪的是，技術進步已完全取代了平凡的業務。機器學習、人工智能(AI)、無監督機器學習正在重塑組織在市場中競爭的方式。因此，人們需要了解無監督機器學習在各行業中的廣泛應用。

什么是無監督機器學習?

如果人們了解深度學習，那么可能已經聽說過兩種機器學習方法：監督機器學習和無監督機器學習。

例如組裝宜家的沙發無論采用什么方法，但其結果始終是相同的。但有些方法比其他方法更高效。通過宜家提供的組裝說明書，并按照預定義步驟進行組織當然很好。但是，對于經驗豐富的家具組裝商來說，則可以不用采用說明書組裝。

機器學習幾乎與這個例子相似。如果用戶標記了可以作為示例的訓練數據，人們將其稱為監督機器學習。但是，如果沒有預先存在的標簽，并且需要整理數據集，則稱之為無監督機器學習。

無監督機器學習的基礎知識

與監督機器學習不同，人們不用管理無監督機器學習的模型。無監督機器學習采用算法得出未標記數據集的結論。

因此，無監督機器學習算法比監督機器學習算法更加復雜，因為幾乎沒有信息或無法預測結果。

無監督機器學習算法用于：

(1)查找組或簇;

(2)進行密度估算;

(3)降維。

總體而言，無監督機器學習算法達到了未指定數據位的程度。

在這方面，無監督機器學習分為兩組算法：聚類和降維。

聚類–數據探索

聚類分析的目的是根據相似性準則將對象分為類。聚類與分類的主要區別在于簇的列表沒有明確定義，在算法操作過程中是有意義的。

聚類過程可以分為以下幾個階段：

• 選擇聚類對象;
• 確定變量集;
• 計算對象之間的相似性度量值;
• 將類似對象分組成簇;
• 展示結果。

聚類方法是無監督機器學習中使用的最簡單算法之一。但是，它們可以幫助獲取有價值的數據見解。

聚類是各個行業的首選分組方法：

• 營銷和銷售–用于預測客戶行為(個性化和定位)。
• 搜索引擎–用于提供所需的搜索結果。
• 學術-用于監視學生學習成績的進度。

總體而言，聚類是許多領域中用于統計數據分析的常用技術。

降維–修改數據

是否曾經嘗試過獲取具有3萬個以上變量的數據集?這是一項艱巨的任務。缺少值、錯誤和不相關的信息將失去平衡，并阻礙數據解釋。

降維可以最大程度減少特征數量，同時保留原始信息的有意義的屬性。

從技術的角度來看，它意味著一套減少訓練數據中輸入變量數量的技術。

無監督機器學習算法的實際示例 

k均值聚類–文檔聚類、數據挖掘

在無監督機器學習的操作中，k均值聚類算法是最常用的算法。它將對象劃分為相似的簇，這些簇與屬于另一個簇的對象不同。

在數據挖掘中，k-means聚類用于將觀察分類為沒有預定義關系的相關觀察值。

除了數據挖掘之外，該工具在以下領域中是按需使用的：

• 市場細分;
• 文檔聚類;
• 圖像分割;
• 模式識別;
• 保險欺詐檢測等。

隱馬爾可夫模型–模式識別、生物信息學、數據分析

如今，對文本進行數字化的需求，即對將數據從紙張轉換為數字的軟件的需求日益增長。光學字符識別可用于識別來自多媒體文件，例如圖像、音頻或視頻。尤其是，隱馬爾可夫模型使用戶可以高度準確地識別文本或符號。

通常情況下，隱馬爾可夫模型(HMM)是最復雜的機器學習算法之一。它指的是一種統計模型，該模型識別可觀察事件的演變并對元素進行分組。這是一條不可見的馬爾可夫鏈，每個狀態都會生成其中一個對人們可見的觀測值。

該技術在強化學習、時間模式識別、生物信息學等領域得到了廣泛的應用。該算法被證明比所有競爭的方法都更有效，這使得它成為主要的處理范例。

隱馬爾可夫模型(HMM)用例還包括：

• 計算生物學;
• 數據分析;
• 基因預測;
• 手勢識別等。

DBSCAN群集-市場研究和數據分析

基于噪聲的應用程序基于密度的空間聚類或DBSCAN是一種流行的數據聚類算法，已在數據挖掘和機器學習中找到了廣泛的應用。根據許多點，DBSCAN將在距離方向上彼此接近元素分組。

總體而言，DBSCAN處理包括以下幾個階段：

• 技術將數據集劃分為多個維度。
• 對于每個數據元素，該算法都會創建一個維度形狀，然后評估屬于該形狀的數據點的數量。
• 然后將形狀視為簇。

DBSCAN的實際示例包括：

• 市場調查;
• 模式識別;
• 數據分析;
• 圖像處理等。

主成分分析(PCA)-人臉識別和推薦系統

主成分分析(PCA)是一種降維算法，通過減少仍然保留具有價值信息的大量變量來減少大型數據集的維數。在所有無監督機器學習算法中，主成分分析(PCA)可能不是最復雜的方法，但它無疑是最重要的方法之一。

它沒有消除功能，而是以特定方式對輸入變量進行分組，從而跳過了最不重要的變量，并保留了最有價值的部分。

作為一種可視化工具，主成分分析(PCA)非常適合顯示過程的鳥瞰圖。它也適用于以下領域：

• 人臉識別;
• 多元數據分析;
• 視頻推薦系統;
• 圖像壓縮等。

T-SNE –非線性可視化方法

T分布隨機鄰域嵌入是另一種無監督的隨機算法，僅用于可視化。從技術上講，它是一種降維算法，特別適合于高維數據集的可視化。T-SNE方法的主要優點是它是非線性的，因此比PCA算法更直觀。因此，T-SNE適用于各種數據集。

從音樂分析和復雜的受眾細分到計算機安全研究、癌癥研究和生物信息學，T-SNE已廣泛用于各種應用程序的可視化。

奇異值分解(SVD)–推薦系統

奇異值分解(SVD)是一種廣泛用于處理矩陣的有效方法。奇異值分解演示了矩陣SVD結構的幾何形狀，并有助于可視化可用數據。

該算法是用于解決各種問題(從最小二乘解到圖像壓縮和面部識別)的首選工具。SVD定義了突出的數據功能，使其適合于進一步處理。出色的SVD用例是一種產品推薦，可向用戶顯示相關的產品信息。

奇異值分解也適用于：

• 對數據進行消噪;
• 從數據集中獲取特定類型的信息(例如查找位于某地的每個用戶的信息);
• 為特定用戶提出建議(推薦引擎)。

關聯規則–市場的購物分析

關聯規則是無監督機器學習的核心方法之一。最初，它用于查找超市中的典型購買模式——購物分析。

換句話說，關聯規則的目的是揭示項目如何相互關聯。最后，它歸結為一個簡單且受歡迎的市場公式，也就是購買X商品的人，也有購買Y商品的人。

因此，關聯規則是一種主要的市場工具，它可以：

• 優化產品放置;
• 制定定制的產品建議;
• 計劃促銷活動;
• 改善商品計劃和價格優化。

結語

機器學習已經成為獲取可行的業務見解的強大工具。但是，由于機器學習算法千差萬別，因此了解無監督機器學習算法如何成功實現部分業務的自動化至關重要。

原文標題：An Important Guide To Unsupervised Machine Learning，作者：Kayla Matthews

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】