机器学习中的无监督分类
Unsupervised Classification in Machine Learning
聚类（例如：K-means、EM 算法等）通过使用数据点之间的一些距离度量在数据集中形成聚类，用于无监督分类
我的问题是：
除了聚类之外，我还可以使用什么来执行无监督分类以及如何执行？或者除了无监督分类的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，表示数据点将被拆分为 类 而没有任何关于真实选择的信息的情况。所以不管你用的是什么算法，如果是无监督分类就是聚类
当然，根据案例、数据、问题等，有许多不同的方法。如果您可以提供更多关于您的具体任务的上下文，我可能会列举一些方法。
简短的回答是否定的，聚类不是无监督学习下的唯一领域。无监督学习比仅聚类更广泛。聚类只是无监督学习（或类型）的一个子领域。
小更正：KNN不是一种聚类方法，它是一种分类算法。你可能是想说 k 均值。
无监督学习的本质基本上是学习没有真实标签的数据。因此，无监督学习的目标是找到给定数据的表示。无监督学习的应用千差万别，尽管从学术上讲，该领域对研究人员的吸引力确实较低，因为它的复杂性和构建新东西的努力 and/or 进行改进。
Dimension reduction 可以考虑在无监督学习下，因为你想在较低维度上找到良好的数据表示。它们对于可视化高维数据也很有用。 PCA、SNE、tSNE、Isomap 等都是这些应用程序的类型。
Clustering 方法是一种无监督学习类型，也是您希望根据某些 distance/divergence 度量对值进行分组和标记的方法。一些应用程序可能是 K 均值、层次聚类等。
Generative models, generative models model the conditional probability P(X|Y=y). The research in this field boomed since the publication of GAN (see paper)。 GAN 可以在不明确查看数据的情况下学习数据分布。方法多种多样，其中 GAN、VAE、高斯混合、LDA、隐马尔可夫模型。
您可以进一步阅读 here 无监督学习。
聚类（例如：K-means、EM 算法等）通过使用数据点之间的一些距离度量在数据集中形成聚类，用于无监督分类
我的问题是： 除了聚类之外，我还可以使用什么来执行无监督分类以及如何执行？或者除了无监督分类的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，表示数据点将被拆分为 类 而没有任何关于真实选择的信息的情况。所以不管你用的是什么算法，如果是无监督分类就是聚类
当然，根据案例、数据、问题等，有许多不同的方法。如果您可以提供更多关于您的具体任务的上下文，我可能会列举一些方法。
简短的回答是否定的，聚类不是无监督学习下的唯一领域。无监督学习比仅聚类更广泛。聚类只是无监督学习（或类型）的一个子领域。
小更正：KNN不是一种聚类方法，它是一种分类算法。你可能是想说 k 均值。
无监督学习的本质基本上是学习没有真实标签的数据。因此，无监督学习的目标是找到给定数据的表示。无监督学习的应用千差万别，尽管从学术上讲，该领域对研究人员的吸引力确实较低，因为它的复杂性和构建新东西的努力 and/or 进行改进。
Dimension reduction 可以考虑在无监督学习下，因为你想在较低维度上找到良好的数据表示。它们对于可视化高维数据也很有用。 PCA、SNE、tSNE、Isomap 等都是这些应用程序的类型。
Clustering 方法是一种无监督学习类型，也是您希望根据某些 distance/divergence 度量对值进行分组和标记的方法。一些应用程序可能是 K 均值、层次聚类等。
Generative models, generative models model the conditional probability P(X|Y=y). The research in this field boomed since the publication of GAN (see paper)。 GAN 可以在不明确查看数据的情况下学习数据分布。方法多种多样，其中 GAN、VAE、高斯混合、LDA、隐马尔可夫模型。
您可以进一步阅读 here 无监督学习。