無監督學習
(重定向自非监督式学习)
此條目需要擴充。 (2018年4月15日) |
此條目需要精通或熟悉相关主题的编者参与及协助编辑。 (2018年4月15日) |
無監督學習(英語:unsupervised learning),又稱非監督式學習,是機器學習的一種方法,沒有給定事先標記過的訓練範例,自動對輸入的資料進行分類或分群。無監督學習的主要運用包含:聚类分析(cluster analysis)、關聯規則(association rule)、維度縮減(dimensionality reduce)。它是監督式學習和強化學習等策略之外的一種選擇。
一個常見的無監督學習是数据聚类。在人工神經網路中,生成對抗網絡(GAN)、自組織映射(SOM)和適應性共振理論(ART)則是最常用的非監督式學習。
ART模型允許叢集的個數可隨著問題的大小而變動,並讓使用者控制成員和同一個叢集之間的相似度分數,其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別,如自動目標辨識和數位信號處理。第一個版本為"ART1",是由卡本特和葛羅斯柏格所發展的。
方法
编辑非監督式學習常使用的方法有很多種,包括:
另見
编辑參考文獻
编辑- Geoffrey Hinton, Terrence J. Sejnowski(editors,1999) Unsupervised Learning and Map Formation: Foundations of Neural Computation, MIT Press, ISBN 0-262-58168-X(這本書專注於人工神經網路的非監督式學習)
- S. Kotsiantis, P. Pintelas, Recent Advances in Clustering: A Brief Survey, WSEAS Transactions on Information Science and Applications, Vol 1, No 1 (73-81), 2004.
- Richard O. Duda, Peter E. Hart, David G. Stork. Unsupervised Learning and Clustering, Ch. 10 in Pattern classification (2nd edition), p. 571, Wiley, New York, ISBN 0-471-05669-3, 2001.