无监督学习

跟监督学习相比，无监督学习并没有比较明确的目标。

gfg

无监督学习的核心，往往是希望发现数据内部的潜在结构和规律，为我们进行下一步决断提供参考。典型的无监督学习就是希望能够利用数据特征来把数据分组，机器学习语境下叫作 “聚类”。 32ghsf

无监督学习的另外一个作用是为监督学习提供更加有力的特征。通常情况下，无监督学习能够挖掘出数据内部的结构，而这些结构可能会比我们提供的数据特征更能抓住数据的本质联系，因此监督学习中往往也需要无监督学习来进行辅助。 gg3

gfg

现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。 decf

  qwqs

无监督学习是机器学习的一个分支，它从未经标记，分类或分类的测试数据中学习。无监督学习不是响应反馈，而是根据每个新数据中是否存在这种共性来识别数据中的共性并做出反应。替代方案包括监督学习和强化·学习。 无监督学习的中心的应用是在领域密度估计在统计，[1]虽然无监督学习包括许多涉及总结和解释数据的特征的其他结构域。

dsafsdfw